Development of a Radiomics-Based Model to Predict Graft Fibrosis in Liver Transplant Recipients: A Pilot Study
Notice bibliographique
Résumé
Liver Transplantation is complicated by recurrent fibrosis in 40% of recipients. We evaluated the ability of clinical and radiomic features to flag patients at risk of developing future graft fibrosis. CT scans of 254 patients at 3–6 months post-liver transplant were retrospectively analyzed. Volumetric radiomic features were extracted from the portal phase using an Artificial Intelligence-based tool (PyRadiomics). The primary endpoint was clinically significant (≥F2) graft fibrosis. A 10-fold cross-validated LASSO model using clinical and radiomic features was developed. In total, 75 patients (29.5%) developed ≥F2 fibrosis by a median of 19 (4.3–121.8) months. The maximum liver attenuation at the venous phase (a radiomic feature reflecting venous perfusion), primary etiology, donor/recipient age, recurrence of disease, brain-dead donor, tacrolimus use at 3 months, and APRI score at 3 months were predictive of ≥F2 fibrosis. The combination of radiomics and the clinical features increased the AUC to 0.811 from 0.793 for the clinical-only model (p = 0.008) and from 0.664 for the radiomics-only model (p < 0.001) to predict future ≥F2 fibrosis. This pilot study exploring the role of radiomics demonstrates that the addition of radiomic features in a clinical model increased the model’s performance. Further studies are required to investigate the generalizability of this experimental 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 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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».