Predictive radiomics signature for treatment response to nivolumab in patients with advanced renal cell carcinoma
Notice bibliographique
Résumé
INTRODUCTION: The anti-programmed cell death protein-1 (PD-1) immune checkpoint inhibitor nivolumab is currently approved for the treatment of patients with metastatic renal cell carcinoma (mRCC); approximately 25% of patients respond. We hypothesized that we could identify a biomarker of response using radiomics to train a machine learning classifier to predict nivolumab response outcomes. METHODS: Patients with mRCC of different histologies treated with nivolumab in a single institution between 2013 and 2017 were retrospectively identified. Patients were labelled as responders (complete response [CR]/partial response [PR]/durable stable disease [SD]) or non-responders based on investigator tumor assessment using RECIST 1.1 criteria. For each patient, lesions were contoured from pre-treatment and first post-treatment computed tomography (CT) scans. This information was used to train a radial basis function support vector machine classifier to learn a prediction rule to distinguish responders from non-responders. The classifier was internally validated by a 10-fold nested cross-validation. RESULTS: Thirty-seven patients were identified; 27 (73%) met the inclusion criteria. One hundred and four lesions were contoured from these 27 patients. The median patient age was 56 years, 78% were male, 89% had clear-cell histology, 89% had prior nephrectomy, and 89% had prior systemic therapy. There were 19 responders vs. eight non-responders. The lesions selected were lymph nodes (60%), lung metastases (23%), and renal/adrenal metastases (17%). For the classifier trained on the baseline CT scans, 69% accuracy was achieved. For the classifier trained on the first post-treatment CT scans, 66% accuracy was achieved. CONCLUSIONS: The set of radiomic signatures was found to have limited ability to discriminate nivolumab responders from non-responders. The use of novel texture features (two-point correlation measure, two-point cluster measure, and minimum spanning tree measure) did not improve performance.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 | 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 ».