Quantitative Computed Tomography Image Analysis to Predict Pancreatic Neuroendocrine Tumor Grade
Notice bibliographique
Résumé
PURPOSE: The therapeutic management of pancreatic neuroendocrine tumors (PanNETs) is based on pathological tumor grade assessment. A noninvasive imaging method to grade tumors would facilitate treatment selection. This study evaluated the ability of quantitative image analysis derived from computed tomography (CT) images to predict PanNET grade. METHODS: Institutional database was queried for resected PanNET (2000-2017) with a preoperative arterial phase CT scan. Radiomic features were extracted from the primary tumor on the CT scan using quantitative image analysis, and qualitative radiographic descriptors were assessed by two radiologists. Significant features were identified by univariable analysis and used to build multivariable models to predict PanNET grade. RESULTS: Overall, 150 patients were included. The performance of models based on qualitative radiographic descriptors varied between the two radiologists (reader 1: sensitivity, 33%; specificity, 66%; negative predictive value [NPV], 63%; and positive predictive value [PPV], 37%; reader 2: sensitivity, 45%; specificity, 70%; NPV, 72%; and PPV, 47%). The model based on radiomics had a better performance predicting the tumor grade with a sensitivity of 54%, a specificity of 80%, an NPV of 81%, and a PPV of 54%. The inclusion of radiomics in the radiographic descriptor models improved both the radiologists' performance. CONCLUSION: CT quantitative image analysis of PanNETs helps predict tumor grade from routinely acquired scans and should be investigated in future prospective studies.
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 | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».