Radiomics approaches to predict PD-L1 and PFS in advanced non-small cell lung patients treated with immunotherapy: a multi-institutional study
Notice bibliographique
Résumé
With the increasing use of immune checkpoint inhibitors (ICIs), there is an urgent need to identify biomarkers to stratify responders and non-responders using programmed death-ligand (PD-L1) expression, and to predict patient-specific outcomes such as progression free survival (PFS). The current study is aimed to determine the feasibility of building imaging-based predictive biomarkers for PD-L1 and PFS through systematically evaluating a combination of several machine learning algorithms with different feature selection methods. A retrospective, multicenter study of 385 advanced NSCLC patients amenable to ICIs was undertaken in two academic centers. Radiomic features extracted from pretreatment CT scans were used to build predictive models for PD-L1 and PFS (short-term vs. long-term survivors). We first employed the LASSO methodology followed by five feature selection methods and seven machine learning approaches to build the predictors. From our analyses, we found several combinations of feature selection methods and machine learning algorithms to achieve a similar performance. Logistic regression with ReliefF feature selection (AUC = 0.64, 0.59 in discovery and validation cohorts) and SVM with Anova F-test feature selection (AUC = 0.64, 0.63 in discovery and validation datasets) were the best-performing models to predict PD-L1 and PFS. This study elucidates the application of suitable feature selection approaches and machine learning algorithms to predict clinical endpoints using radiomics features. Through this study, we identified a subset of algorithms that should be considered in future investigations for building robust and clinically relevant predictive models.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».