A prognostic model integrating PET‐derived metrics and image texture analyses with clinical risk factors from GOYA
Notice bibliographique
Résumé
Image texture analysis (radiomics) uses radiographic images to quantify characteristics that may identify tumour heterogeneity and associated patient outcomes. Using fluoro-deoxy-glucose positron emission tomography/computed tomography (FDG-PET/CT)-derived data, including quantitative metrics, image texture analysis and other clinical risk factors, we aimed to develop a prognostic model that predicts survival in patients with previously untreated diffuse large B-cell lymphoma (DLBCL) from GOYA (NCT01287741). Image texture features and clinical risk factors were combined into a random forest model and compared with the international prognostic index (IPI) for DLBCL based on progression-free survival (PFS) and overall survival (OS) predictions. Baseline FDG-PET scans were available for 1263 patients, 832 patients of these were cell-of-origin (COO)-evaluable. Patients were stratified by IPI or radiomics features plus clinical risk factors into low-, intermediate- and high-risk groups. The random forest model with COO subgroups identified a clearer high-risk population (45% 2-year PFS [95% confidence interval (CI) 40%-52%]; 65% 2-year OS [95% CI 59%-71%]) than the IPI (58% 2-year PFS [95% CI 50%-67%]; 69% 2-year OS [95% CI 62%-77%]). This study confirms that standard clinical risk factors can be combined with PET-derived image texture features to provide an improved prognostic model predicting survival in untreated DLBCL.
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 | 0,001 | 0,003 |
| 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 | 0,002 |
| 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 ».