Radiomics in Predicting Recurrence for Patients with Locally Advanced Breast Cancer using Quantitative Ultrasound
Notice bibliographique
Résumé
Abstract Background The purpose of the study was to investigate the role of pre-treatment quantitative ultrasound (QUS)-radiomics in predicting recurrence for patients with locally advanced breast cancer (LABC). Methods A prospective study was conducted with patients with LABC (n=83). Primary tumours were scanned using a clinical ultrasound device before starting treatment. Ninety-five imaging features were extracted-spectral features, texture, and texture-derivatives. Patients were determined to have recurrence or no recurrence based on clinical outcomes. Machine learning classifiers with k-nearest neighbour (KNN) and support vector machine (SVM) were evaluated for model development using a maximum of 3 features and leave-one-out cross-validation.Results With a median follow up of 69 months (range 7-118 months), 28 patients had disease recurrence (local or distant). The best classification results were obtained using an SVM classifier with a sensitivity, specificity, accuracy and area under curve of 71%, 87%, 82%, and 0.76, respectively. Using the SVM model for the predicted non-recurrence and recurrence groups, the estimated 5-year recurrence-free survival was 83% and 54% (p=0.003), and the predicted 5-year overall survival was 85% and 74% (p=0.083), respectively.Conclusion A QUS-radiomics model using higher-order texture derivatives can predict patients with LABC at higher risk of disease recurrence before starting treatment.
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 | 0,002 | 0,006 |
| 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 ».