Machine learning-based prediction of microsatellite instability and high tumor mutation burden from contrast-enhanced computed tomography in endometrial cancers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To evaluate whether radiomic features from contrast-enhanced computed tomography (CE-CT) can identify DNA mismatch repair deficient (MMR-D) and/or tumor mutational burden-high (TMB-H) endometrial cancers (ECs). Patients who underwent targeted massively parallel sequencing of primary ECs between 2014 and 2018 and preoperative CE-CT were included (n = 150). Molecular subtypes of EC were assigned using DNA polymerase epsilon (POLE) hotspot mutations and immunohistochemistry-based p53 and MMR protein expression. TMB was derived from sequencing, with > 15.5 mutations-per-megabase as a cut-point to define TMB-H tumors. After radiomic feature extraction and selection, radiomic features and clinical variables were processed with the recursive feature elimination random forest classifier. Classification models constructed using the training dataset (n = 105) were then validated on the holdout test dataset (n = 45). Integrated radiomic-clinical classification distinguished MMR-D from copy number (CN)-low-like and CN-high-like ECs with an area under the receiver operating characteristic curve (AUROC) of 0.78 (95% CI 0.58-0.91). The model further differentiated TMB-H from TMB-low (TMB-L) tumors with an AUROC of 0.87 (95% CI 0.73-0.95). Peritumoral-rim radiomic features were most relevant to both classifications (p ≤ 0.044). Radiomic analysis achieved moderate accuracy in identifying MMR-D and TMB-H ECs directly from CE-CT. Radiomics may provide an adjunct tool to molecular profiling, especially given its potential advantage in the setting of intratumor heterogeneity.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle