Radiomics and dosiomics-based prediction of radiotherapy-induced xerostomia in head and neck cancer patients
Notice bibliographique
Résumé
Background and aim Dose-response modeling for radiotherapy-induced xerostomia in head and neck cancer (HN) patients is a promising frontier for personalized therapy. Feature extraction from diagnostic and therapeutic images (radiomics and dosiomics features) can be used for data-driven response modeling. The aim of this study is to develop xerostomia predictive models based on radiomics-dosiomics features.Methods Data from the cancer imaging archive (TCIA) for 31 HN cancer patients were employed. For all patients, parotid CT radiomics features were extracted, utilizing Lasso regression for feature selection and multivariate modeling. The models were developed by selected features from pretreatment (CT1), mid-treatment (CT2), post-treatment (CT3), and delta features (ΔCT2-1, ΔCT3-1, ΔCT3-2). We also considered dosiomics features extracted from the parotid dose distribution images (Dose model). Thus, combination models of radio-dosiomics (CT + dose & ΔCT + dose) were developed. Moreover, clinical, and dose-volume histogram (DVH) models were built. Nested 10-fold cross-validation was used to assess the predictive classification of patients into those with and without xerostomia, and the area under the receiver operative characteristic curve (AUC) was used to compare the predictive power of the models. The sensitivity and accuracy of models also were obtained.Results In total, 59 parotids were assessed, and 13 models were developed. Our results showed three models with AUC of 0.89 as most predictive, namely ΔCT2-1 + Dose (Sensitivity 0.99, Accuracy 0.94 & Specificity 0.86), CT3 model (Sensitivity 0.96, Accuracy 0.94 & Specificity 0.86) and DVH (Sensitivity 0.93, Accuracy 0.89 & Specificity 0.84). These models were followed by Clinical (AUC 0.89, Sensitivity 0.81, Accuracy 0.97 & Specificity 0.89) and CT2 & Dose (AUC 0.86, Sensitivity 0.97, Accuracy 0.87 & Specificity 0.82). The Dose model (developed by dosiomics features only) had AUC, Sensitivity, Specificity, and Accuracy of 0.72, 0.98, 0.33, and 0.79 respectively.Conclusion Quantitative features extracted from diagnostic imaging during and after radiotherapy alone or in combination with dosiomics markers obtained from dose distribution images can be used for radiotherapy response modeling, opening up prospects for personalization of therapies toward improved therapeutic outcomes.
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 | 0,001 | 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 ».