Automated imaging-based stratification of early-stage lung cancer patients prior to receiving surgical resection using deep learning applied to CTs.
Notice bibliographique
Résumé
1552 Background: Computed tomography (CT) imaging is an important tool to guide further investigation and treatment in patients with lung cancer. For patients with early stage lung cancer, surgery remains an optimal treatment option. Artificial intelligence applied to pretreatment CTs may have the ability to quantify mortality risk and stratify patients for more individualized diagnostic, treatment and monitoring decisions. Methods: A fully automated, end-to-end model was designed to localize the 36cm x 36cm x 36cm space centered on the lungs and learn deep prognostic features using a 3-dimensional convolutional neural network (3DCNN) to predict 5-year mortality risk. The 3DCNN was trained and validated in a 5-fold cross-validation using 2,924 CTs of 1,689 lung cancer patients from 6 public datasets made available in The Cancer Imaging Archive. We evaluated 3DCNN’s ability to stratify stage I & II patients who received surgery into mortality risk quintiles using the Cox proportional hazards model. Results: 260 of the 1,689 lung cancer patients in the withheld validation dataset were diagnosed as stage I or II, received a surgical resection within 6 months of their pretreatment CT and had known 5-year disease and survival outcomes. Based on the 3DCNN’s predicted mortality risk, patients in the highest risk quintile had a 14.2-fold (95% CI 4.3-46.8, p < 0.001) increase in 5-year mortality hazard compared to patients in the lowest risk quintile. Conclusions: Deep learning applied to pretreatment CTs provides personalised prognostic insights for early stage lung cancer patients who received surgery and has the potential to inform treatment and monitoring decisions.[Table: see text]
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) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».