MétaCan
Menu
Retour à la cohorte
Enregistrement W4387704618 · doi:10.3389/fonc.2023.1198723

Imaging-based adipose biomarkers for predicting clinical outcomes of cancer patients treated with immune checkpoint inhibitors: a systematic review

2023· review· en· W4387704618 sur OpenAlexaboutno aff
Xinyu Pei, Ye Xie, Yixuan Liu, Xinyang Cai, Lexuan Hong, Xiaofeng Yang, Luyao Zhang, Manhuai Zhang, Xinyi Zheng, Ning Kang, Mengyuan Fang, Huancheng Tang

Notice bibliographique

RevueFrontiers in Oncology · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Environmental Health Sciences
Mots-clésMedicineCancerOncologyInternal medicineAdipose tissueBiomarkerLung cancer

Résumé

récupéré en direct d'OpenAlex

Background: Since the application of Immune checkpoint inhibitors (ICI), the clinical outcome for metastatic cancer has been greatly improved. Nevertheless, treatment response varies in patients, making it urgent to identify patients who will receive clinical benefits after ICI therapy. Adipose body composition has proved to be associated with tumor response. In this systematic review, we aimed to summarize the current evidence on imaging adipose biomarkers that predict clinical outcomes in patients treated with ICI in various cancer types. Methods: Embase and PubMed were searched from database inception to 1st February 2023. Articles included investigated the association between imaging-based adipose biomarkers and the clinical outcomes of patients treated with ICI. The methodological quality of included studies was evaluated through Newcastle- Ottawa Quality Assessment Scale and Radiomics Quality Score tools. Results: Totally, 22 studies including 2256 patients were selected. Non-small cell lung cancer (NSCLC) had the most articles (6 studies), followed by melanoma (5 studies), renal cell carcinoma (RCC) (3 studies), urothelial carcinoma (UC) (2 studies), head and neck squamous cell carcinoma (HNSCC) (1 study), gastric cancer (1 study) and liver cancer (1 study). The remaining 3 studies investigated metastatic solid tumors including various types of cancers. Adipose biomarkers can be summarized into 5 categories, including total fat, visceral fat, subcutaneous fat, intramuscular fat and others, which exerted diverse correlations with patients' prognosis after being treated with ICI in different cancers. Most biomarkers of body fat were positively associated with survival benefits. Nevertheless, more total fat was predictable of worse outcomes in NSCLC, while inter-muscular fat was associated with poor clinical benefits in UC. Conclusion: There is relatively well-supported evidence for imaging-based adipose biomarkers to predict the clinical outcome of ICI. In general, most of the studies show that adipose tissue is positively correlated with clinical outcomes. This review summarizes the significant biomarkers proven by researches for each cancer type. Further validation and large independent prospective cohorts are needed in the future. The protocol of this systematic review has been registered at the International Prospective Register of Systematic Reviews (http://www.crd.york.ac.uk/PROSPERO, registration no: CRD42023401986).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,007
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,215
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0090,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,400
Écart entre enseignants0,371 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in OncologyMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207