CT-based radiomics model with machine learning for predicting primary treatment failure in diffuse large B-cell Lymphoma
Notice bibliographique
Résumé
Biomarkers which can identify Diffuse Large B-Cell Lymphoma (DLBCL) likely to be refractory to first-line therapy are essential for selecting this population prior to therapy initiation to offer alternate therapeutic options that can improve prognosis. We tested the ability of a CT-based radiomics approach with machine learning to predict Primary Treatment Failure (PTF)-DLBCL from initial imaging evaluation. Twenty-six refractory patients were matched to 26 non-refractory patients, yielding 180 lymph nodes for analysis. Manual 3D delineation of the total node volume was performed by two independent readers to test the reproducibility. Then, 1218 hand-crafted radiomic features were extracted. The Random Forests machine learning approach was used as a classifier for constructing the prediction models. Seventy percent of the nodes were randomly assigned to a training set and the remaining 30% were assigned to an independent test set. The final model was tested on the dataset from the 2 readers, showing a mean accuracy, sensitivity and specificity of 73%, 62% and 82%, respectively, for distinguishing between refractory and non-refractory patients. The area under the receiver operating characteristic curve (AUC) was 0.83 and 0.79 for the two readers. We conclude that machine learning CT-based radiomics analysis is able to identify a priori PTF-DLBCL with a good accuracy.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».