Using ensemble learning and genetic algorithm on magnetic resonance imaging radiomics to classify molecular subtypes of breast cancer
Notice bibliographique
Résumé
Abstract Breast cancer (BRCA) is one of the most frequent malignant tumors with the highest incidence of cancer and the second most common oncologic cause of death in women. BRCA can be classified into different molecular subtypes, such as basal‐like, represented by triple‐negative BRCA (estrogen receptor [ER] negative, progesterone receptor [PR] negative, and human epidermal growth factor receptor 2 [HER‐2] negative). This study aims to determine whether radiomics features extracted from magnetic resonance imaging (MRI) could be used to distinguish various BRCA molecular subtypes. This study retrospectively collected a dataset of 922 BRCA patients with MRIs and experimental genomic profiles. A genetic algorithm is then employed to select the optimal MRI features for each subproblem. Subsequently, stacking ensemble learning is implemented to learn these features and generate the prediction outcomes. Our model showed a significant performance of 0.700, 0.732, and 0.642 (area under the curve; AUC) in predicting ER, PR, and HER‐2 statuses. For multiclassification of Luminal A, Luminal B, HER2, and TNBC, the AUCs reached 0.672, 0.624, 0.639, and 0.669, respectively. Our model is superior in most subtypes compared to the state‐of‐the‐art predictors on the same dataset. In conclusion, genetic algorithm and ensemble learning can be suitable for BRCA subtype classification with high performance.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».