Application of Radiomics in Radiotherapy: Challenges and Future Prospects
Notice bibliographique
Résumé
Background and Objective: Specific treatment for each patient based on their clinical data is one of the medical prospects of the future. Using data mining and machine learning techniques based on computer science in extracting the quantitative features of an image to improve the process of diagnosis, prognosis, prediction and response to cancer treatment is known as radiomics. This article examines the workflow, findings, challenges ahead, and the role of radiomics in precision medicine and individual therapy. Methods: In this review article, we searched well-known indexes such as ISC, web of science, Google Scholar, Scopus, PubMed without time limit and based on the keywords radiomics, radiotherapy, cancer and quantitative imaging and relevant articles were collected. Findings: Radiomics is a combination of everyday computer-aided diagnosis, machine learning methods, deep learning and human skills that can be used for quantitative description of the phenotypes of cancerous tumors. Image collection and processing, tumor segmentation, extraction of features, processing and modeling are some of the basic steps of the process of radiomics. Computed tomography (CT), magnetic resonance imaging (MRI), positron emission tomography (PET) and ultrasound (US) methods are among the used images. Conclusion: According to the results of this study, the prerequisite for the clinical implementation of radiomics is the elimination of deficiencies such as the dependence of the features on the imaging parameters, and the unrepeatability of the features. Therefore, a comprehensive approach should be adopted, stable and reproducible patterns should be developed to accept radiomics as a clinical prognostic tool.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».