Tumor Microenvironment, Radiology, and Artificial Intelligence: Should We Consider Tumor Periphery?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: The tumor microenvironment (TME) consists of cellular and noncellular components which enable the tumor to interact with its surroundings and plays an important role in the tumor progression and how the immune system reacts to the malignancy. In the present study, we investigate the diagnostic potential of the TME in differentiating benign and malignant lesions using image quantification and machine learning. METHODS: A total of 229 breast lesions and 220 cervical lymph nodes were included in the study. A group of expert radiologists first performed medical imaging and segmented the lesions, after which a rectangular mask was drawn, encompassing all of the contouring. The mask was extended in each axis up to 50%, and 29 radiomics features were extracted from each mask. Radiomics features that showed a significant difference in each contour were used to develop a support vector machine (SVM) classifier for benign and malignant lesions in breast and lymph node images separately. RESULTS: Single radiomics features extracted from extended contours outperformed radiologists' contours in both breast and lymph node lesions. Furthermore, when fed into the SVM model, the extended models also outperformed the radiologist's contour, achieving an area under the receiver operating characteristic curve of 0.887 and 0.970 in differentiating breast and lymph node lesions, respectively. CONCLUSIONS: Our results provide convincing evidence regarding the importance of the tumor periphery and TME in medical imaging diagnosis. We propose that the immediate tumor periphery should be considered for differentiating benign and malignant lesions in image quantification studies.
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.
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 | 0,002 |
| 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 | 0,001 |
| 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) | 0,003 | 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 découle