Development and validation of novel radiomics-based nomograms for the prediction of EGFR mutations and Ki-67 proliferation index in non-small cell lung cancer
Notice bibliographique
Résumé
Background: ) mutations and the Ki-67 proliferation index of non-small cell lung cancer. Methods: mutations and the Ki-67 proliferation index were measured from tumor tissues. A total of 1,287 radiomic features were extracted, and a three-stage feature selection method was implemented to acquire the most valuable radiomic features. Finally, the radiomic scores and nomograms of the two tasks were established and tested. Receiver operating characteristic curves, calibration curves, and decision curves were used to evaluate their prediction performance and clinical utility. Results: mutations. After feature selection, 10 features were used to establish radiomic score, which showed good performance [area under the curve (AUC) =0.800] in the validation cohort. The radiomic nomogram had an AUC of 0.798 (95% CI: 0.664 to 0.931) with a C-index of 0.798 in the validation cohort. In task [2], gender, smoking status, histological type, and stage showed a significant correlation with Ki-67 proliferation index expression. A total of 28 features were selected to develop a radiomic score, with an AUC of 0.820 in the validation cohort. The final nomogram showed an AUC of 0.828 (95% CI: 0.703 to 0.953) with a C-index of 0.828 in the validation cohort. Conclusions: mutations and Ki-67 proliferation index in non-small cell lung cancer can be predicted efficiently by the novel radiomic scores and nomograms.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».