Development of a radiomic signature for predicting response to neoadjuvant chemotherapy in muscle-invasive bladder cancer
Notice bibliographique
Résumé
INTRODUCTION: Neoadjuvant chemotherapy (NAC) for muscle-invasive bladder cancer (MIBC) improves overall survival, but pathological response rates are low. Predictive biomarkers could select those patients most likely to benefit from NAC. Radiomics technology offers a novel, non-invasive method to identify predictive biomarkers. Our study aimed to develop a predictive radiomics signature for response to NAC in MIBC. METHODS: An institutional bladder cancer database was used to identify MIBC patients who were treated with NAC followed by radical cystectomy. Patients were classified into responders and non-responders based on pathological response. Bladder lesions on computed tomography images taken prior to NAC were contoured. Extracted radiomics features were used to train a radial basis function support vector machine classifier to learn a prediction rule to distinguish responders from non-responders. The discriminative accuracy of the classifier was then tested using a nested 10-fold cross-validation protocol. RESULTS: Nineteen patients who underwent NAC followed by radical cystectomy were found to be eligible for analysis. Of these, nine (47%) patients were classified as responders and 10 (53%) as non-responders. Nineteen bladder lesions were contoured. The sensitivity, specificity, and discriminative accuracy were 52.9±9.4%, 69.4±8.6%, and 62.1±6.1%, respectively. This corresponded to an area under the curve of 0.63±0.08 (p=0.20). CONCLUSIONS: Our developed radiomics signature demonstrated modest discriminative accuracy; however, these results may have been influenced by small sample size and heterogeneity in image acquisition. Future research using novel methods for computer-based image analysis on a larger cohort of patients is warranted.
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 | 0,000 |
| 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 | 0,000 | 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 ».