Radiomics artificial intelligence modelling for prediction of local control for colorectal liver metastases treated with radiotherapy
Notice bibliographique
Résumé
Background and Purpose: Prognostic assessment of local therapies for colorectal liver metastases (CLM) is essential for guiding management in radiation oncology. Computed tomography (CT) contains liver texture information which may be predictive of metastatic environments. To investigate the feasibility of analyzing CT texture, we sought to build an automated model to predict progression-free survival using CT radiomics and artificial intelligence (AI). Materials and Methods: Liver CT scans and outcomes for N = 97 CLM patients treated with radiotherapy were retrospectively obtained. A survival model was built by extracting 108 radiomic features from liver and tumor CT volumes for a random survival forest (RSF) to predict local progression. Accuracies were measured by concordance indices (C-index) and integrated Brier scores (IBS) with 4-fold cross-validation. This was repeated with different liver segmentations and radiotherapy clinical variables as inputs to the RSF. Predictive features were identified by perturbation importances. Results: The AI radiomics model achieved a C-index of 0.68 (CI: 0.62-0.74) and IBS below 0.25 and the most predictive radiomic feature was gray tone difference matrix strength (importance: 1.90 CI: 0.93-2.86) and most predictive treatment feature was maximum dose (importance: 3.83, CI: 1.05-6.62). The clinical data only model achieved a similar C-index of 0.62 (CI: 0.56-0.69), suggesting that predictive signals exist in radiomics and clinical data. Conclusions: The AI model achieved good prediction accuracy for progression-free survival of CLM, providing support that radiomics or clinical data combined with machine learning may aid prognostic assessment and management.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».