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 36cm3 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 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».