MétaCan
Menu
Retour à la cohorte
Enregistrement W3139466633 · doi:10.1016/j.ctro.2021.03.002

Ultrasound delta-radiomics during radiotherapy to predict recurrence in patients with head and neck squamous cell carcinoma

2021· article· en· W3139466633 sur OpenAlexafffund
Kashuf Fatima, Archya Dasgupta, Daniel DiCenzo, Christopher Kolios, Karina Quiaoit, Murtuza Saifuddin, Michael Sandhu, Divya Bhardwaj, Irene Karam, Ian Poon, Zain Husain, Lakshmanan Sannachi, Gregory J. Czarnota

Notice bibliographique

RevueClinical and Translational Radiation Oncology · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensHealth Sciences CentreUniversity of TorontoSunnybrook Health Science Centre
Organismes subventionnairesTerry Fox Foundation
Mots-clésMedicineRadiomicsHead and neck squamous-cell carcinomaRadiation therapyRadiologyCetuximabUltrasoundHead and neck cancerLarynxOncologyInternal medicineSurgeryCancer

Résumé

récupéré en direct d'OpenAlex

PURPOSE: This study investigated the use of quantitative ultrasound (QUS) obtained during radical radiotherapy (RT) as a radiomics biomarker for predicting recurrence in patients with node-positive head-neck squamous cell carcinoma (HNSCC). METHODS: Fifty-one patients with HNSCC were treated with RT (70 Gy/33 fractions) (±concurrent chemotherapy) were included. QUS Data acquisition involved scanning an index neck node with a clinical ultrasound device. Radiofrequency data were collected before starting RT, and after weeks 1, and 4. From this data, 31 spectral and related-texture features were determined for each time and delta (difference) features were computed. Patients were categorized into two groups based on clinical outcomes (recurrence or non-recurrence). Three machine learning classifiers were used for the development of a radiomics model. Features were selected using a forward sequential selection method and validated using leave-one-out cross-validation. RESULTS: The median follow up for the entire group was 38 months (range 7-64 months). The disease sites involved neck masses in patients with oropharynx (39), larynx (5), carcinoma unknown primary (5), and hypopharynx carcinoma (2). Concurrent chemotherapy and cetuximab were used in 41 and 1 patient(s), respectively. Recurrence was seen in 17 patients. At week 1 of RT, the support vector machine classifier resulted in the best performance, with accuracy and area under the curve (AUC) of 80% and 0.75, respectively. The accuracy and AUC improved to 82% and 0.81, respectively, at week 4 of treatment. CONCLUSION: QUS Delta-radiomics can predict higher risk of recurrence with reasonable accuracy in HNSCC.Clinical trial registration: clinicaltrials.gov.in identifier NCT03908684.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,328
Écart entre enseignants0,313 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations27
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueClinical and Translational Radiation OncologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207