Quantitative ultrasound radiomics for therapy response monitoring in patients with locally advanced breast cancer: Multi-institutional study results
Notice bibliographique
Résumé
BACKGROUND: Neoadjuvant chemotherapy (NAC) is the standard of care for patients with locally advanced breast cancer (LABC). The study was conducted to investigate the utility of quantitative ultrasound (QUS) carried out during NAC to predict the final tumour response in a multi-institutional setting. METHODS: Fifty-nine patients with LABC were enrolled from three institutions in North America (Sunnybrook Health Sciences Centre (Toronto, Canada), MD Anderson Cancer Centre (Texas, USA), and Princess Margaret Cancer Centre (Toronto, Canada)). QUS data were collected before starting NAC and subsequently at weeks 1 and 4 during chemotherapy. Spectral tumour parametric maps were generated, and textural features determined using grey-level co-occurrence matrices. Patients were divided into two groups based on their pathological outcomes following surgery: responders and non-responders. Machine learning algorithms using Fisher's linear discriminant (FLD), K-nearest neighbour (K-NN), and support vector machine (SVM-RBF) were used to generate response classification models. RESULTS: Thirty-six patients were classified as responders and twenty-three as non-responders. Among all the models, SVM-RBF had the highest accuracy of 81% at both weeks 1 and week 4 with area under curve (AUC) values of 0.87 each. The inclusion of week 1 and 4 features led to an improvement of the classifier models, with the accuracy and AUC from baseline features only being 76% and 0.68, respectively. CONCLUSION: QUS data obtained during NAC reflect the ongoing treatment-related changes during chemotherapy and can lead to better classifier performances in predicting the ultimate pathologic response to treatment compared to baseline features alone.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».