Dual-center validation of using magnetic resonance imaging radiomics to predict stereotactic radiosurgery outcomes
Notice bibliographique
Résumé
Background: MRI radiomic features and machine learning have been used to predict brain metastasis (BM) stereotactic radiosurgery (SRS) outcomes. Previous studies used only single-center datasets, representing a significant barrier to clinical translation and further research. This study, therefore, presents the first dual-center validation of these techniques. Methods: = 117 BMs). Each dataset contained 8 clinical features, 107 pretreatment T1w contrast-enhanced MRI radiomic features, and post-SRS BM progression endpoints determined from follow-up MRI. Random decision forest models were used with clinical and/or radiomic features to predict progression. 250 bootstrap repetitions were used for single-center experiments. Results: Training a model with one center's dataset and testing it with the other center's dataset required using a set of features important for outcome prediction at both centers, and achieved area under the receiver operating characteristic curve (AUC) values up to 0.70. A model training methodology developed using the first center's dataset was locked and externally validated with the second center's dataset, achieving a bootstrap-corrected AUC of 0.80. Lastly, models trained on pooled data from both centers offered balanced accuracy across centers with an overall bootstrap-corrected AUC of 0.78. Conclusions: Using the presented validated methodology, radiomic models trained at a single center can be used externally, though they must utilize features important across all centers. These models' accuracies are inferior to those of models trained using each individual center's data. Pooling data across centers shows accurate and balanced performance, though further validation is required.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».