Devising novel imaging biomarkers for Human Papillomavirus (HPV) status in oropharyngeal squamous cell carcinoma (OPSCC): applying radiomics and machine learning algorithms
Notice bibliographique
Résumé
Purpose HPV-positive and HPV-negative OPSCC are biologically distinct entities, with different prognosis and divergent AJCC/UICC staging schemes. Radiomics refers to automated extraction of shape, intensity and texture features from target lesions on medical images – inaccessible to visual interpretation. We applied machine learning classifiers to devise radiomics signatures to determine the HPV-status in OPSCC. Methods Imaging data was retrieved form The Cancer Imaging Archive and our institutional archives. Patients with OPSCC, known HPV/p16-status, and pre-treatment FDG‑PET / non‑contrast CT were included. The primary tumors were delineated on PET and CT scans. 1040 radiomics features describing texture, shape and signal intensity characteristics were extracted from each tumor and per imaging modality. For HPV-status prediction, LASSO regression feature selection (LASSO) and random forest (RF) machine learning classifiers were applied in 10-fold cross validation, repeated 10x. The area under the receiver operating characteristic curve (AUC-ROC) averaged across validation folds is reported. Conclusions A total of 244 HPV-positive and 82 HPV-negative OPSCC patients were included: 46 T1, 119 T2, 107 T3, and 54 T4 UICC/AJCC stage primary tumors were analyzed. The LASSO / RF machine learning algorithm achieved an averaged AUC-ROC of 0.79 (PET/CT), 0.74 (CT) and 0.70 (PET). Conclusion Radiomics feature extraction from PET and CT scans, combined with machine learning classifiers can generate imaging biomarkers for HPV in OPSCC primary tumors, which may aid in HPV-classification if standard immunohistochemical staining is equivocal, or supplement the immunohistochemical tests in subjects requiring second-line testing. Poster-PDF A-1164.PDF Publication History Article published online: 10 June 2020 © 2020. The Author(s). This is an open access article published by Thieme under the terms of the Creative Commons Attribution-NonDerivative-NonCommercial-License, permitting copying and reproduction so long as the original work is given appropriate credit. Contents may not be used for commercial purposes, or adapted, remixed, transformed or built upon. (https://creativecommons.org/licenses/by-nc-nd/4.0/). © Georg Thieme Verlag KG Stuttgart · New York
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».