Radiomics Assessment of the Tumor Immune Microenvironment to Predict Outcomes in Breast Cancer
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background The immune microenvironment of tumors provides information on prognosis and prediction. A prior validation of the immunoscore for breast cancer (IS BC ) was made on the basis of a systematic assessment of immune landscapes extrapolated from a large number of neoplastic transcripts. Our goal was to develop a non-invasive radiomics-based IS BC predictive factor. Methods Immunocell fractions of 22 different categories were evaluated using CIBERSORT on the basis of a large, open breast cancer cohort derived from comprehensive information on gene expression. The IS BC was constructed using the LASSO Cox regression model derived from the Immunocell type scores, with 479 quantified features in the intratumoral and peritumoral regions as observed from DCE-MRI. A radiomics signature [radiomics ImmunoScore (RIS)] was developed for the prediction of IS BC using a random forest machine-learning algorithm, and we further evaluated its relationship with prognosis. Results An IS BC consisting of seven different immune cells was established through the use of a LASSO model. Multivariate analyses showed that the IS BC was an independent risk factor in prognosis (HR=2.42, with a 95% CI of 1.49–3.93; P<0.01). A radiomic signature of 21 features of the IS BC was then exploited and validated (the areas under the curve [AUC] were 0.899 and 0.815). We uncovered statistical associations between the RIS signature with recurrence-free and overall survival rates (both P<0.05). Conclusions The RIS is a valuable instrument with which to assess the immunoscore, and offers important implications for the prognosis of breast cancer.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle