Predicting histopathology markers of endometrial carcinoma with a quantitative image analysis approach based on spherical harmonics in multiparametric MRI
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
PURPOSE: Identifying optimal machine learning pipelines for computer-aided diagnosis is key for the development of robust, reproducible, and clinically relevant imaging biomarkers for endometrial carcinoma. The purpose of this study was to introduce the mathematical development of image descriptors computed from spherical harmonics (SPHARM) decompositions as well as the associated machine learning pipeline, and to evaluate their performance in predicting deep myometrial invasion (MI) and histopathological high-grade in preoperative multiparametric magnetic resonance imaging (MRI). PATIENTS AND METHODS: This retrospective study included 128 women with histopathology-confirmed endometrial carcinomas who underwent 1.5-T MRI before hysterectomy between January 2011 and July 2015. SPHARM descriptors of each tumor were computed on multiparametric MRI images (T2-weighted, diffusion-weighted, dynamic contrast-enhanced-MRI and apparent diffusion coefficient maps). Tensor-based logistic regression was used to classify two-dimensional SPHARM rotationally-invariant descriptors. Head-to-head comparisons with radiomics analyses were performed with DeLong tests with Bonferroni-Holm correction to compare diagnostic performances. RESULTS: With all MRI contrasts, SPHARM analysis resulted in area under the curve, sensitivity, specificity, and balanced accuracy values of 0.94 (95% confidence interval [CI]: 0.85, 1.00), 100% (95% CI: 100, 100), 74% (95% CI: 51, 92), 87% (95% CI: 78, 98), respectively, for predicting deep MI. For predicting high-grade tumor histology, the corresponding values for the same diagnostic metrics were 0.81 (95% CI: 0.64, 0.90), 93% (95% CI: 67, 100), 63% (95% CI: 45, 79) and 78% (95% CI: 64, 86). The corresponding values achieved via radiomics were 0.92 (95% CI: 0.82, 0.95), 82% (95% CI: 65, 93), 80% (95% CI: 51, 94), 81% (95% CI: 70, 91) for deep MI and 0.72 (95% CI: 0.58, 0.83), 93% (95% CI: 65, 100), 55% (95% CI: 41, 69), 74% (95% CI: 52, 88) for high-grade histology. The diagnostic performance of the SPHARM analysis was not significantly different (P = 0.62) from that of radiomics for predicting deep MI but was significantly higher (P = 0.044) for predicting high-grade histology. CONCLUSION: The proposed SPHARM analysis yields similar or higher diagnostic performance than radiomics in identifying deep MI and high-grade status in histology-proven endometrial carcinoma.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découle