Automated imaging-based prognostication (IPRO) for stage I non-small cell lung cancer using deep learning applied to computed tomography.
Notice bibliographique
Résumé
e20575 Background: Computed tomography (CT) imaging is used to inform staging and treatment decisions for stage I non-small cell lung cancer (NSCLC) patients. We have previously used deep learning applied to pretreatment CTs to generate an imaging-based prognostication (IPRO) score that automatically quantifies mortality risk and stratifies patients beyond tumor, node, metastasis (TNM) substages. Here we present validation data of its prognostic impact. Methods: We developed a fully automated deep learning model, IPRO, designed to process a CT scan, localize the 36cm 3 space centered on the lungs, and learn prognostic imaging features to predict mortality risk. IPRO was trained on pretreatment CTs acquired from 1,696 patients treated for NSCLC at a tertiary care center between 2004 and 2018. We withheld 20% of the cases for validation, including 162 patients that were diagnosed with stage I NSCLC by clinical staging. We evaluated IPRO’s ability to stratify stage I NSCLC patients into mortality risk quintiles using the Cox proportional hazards model and assessed differences in median overall survival (mOS). Results: Of the 162 stage I NSCLC patients in the validation set, the mOS was 68.5 months (95% CI 66.7-69.6), 85 (52.5%) were male, and 125 (77.2%) were diagnosed with stage IA. Of these, 111 patients received surgery, 40 received radiotherapy (RT), 9 received surgery + adjuvant systemic therapy (ST), and 2 patients received surgery + ST + RT. According to IPRO, the patients predicted to have the highest risk had significantly increased 5-year mortality compared to those predicted to have the lowest risk (OR 8.4, 95% CI 2.4-29.2, p < 0.01); median survival 48.0 months and 69.5 months, respectively. Conclusions: Deep learning applied to pretreatment CTs provides personalized prognostic insights for stage I NSCLC beyond current TNM staging. [Table: see text]
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 | 0,004 | 0,002 |
| 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 | 0,002 |
| 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 ».