Predicting Head and Neck Cancer Treatment Outcomes using Textural Feature Level Fusion of Quantitative Ultrasound Spectroscopic and Computed Tomography: A Machine Learning Approach
Notice bibliographique
Résumé
Predicting therapy response of Head & Neck (H&N) cancers prior to therapy initiation can be effective to increase the probability of pathologic complete response (pCR) and clinical response. Quantitative ultrasound spectroscopy (QUS) and treatment planning computed tomography (CT) are utilized to evaluate therapy response. Although analysis of cancerous cells on ultrasound (US) and CT images is not feasible due to their sub-resolution sizes, radiomics features can be extracted from these images to measure changes in biological conditions and cells’ micro-structures. Combination of CT and QUS data at feature level can generate features that are more informative. To this end, we proposed a technique to fuse radiomics feature of CT and QUS in order to generate more discriminative features. A fusion of radiomics features from CT and QUS was achieved using an autoencoder, followed by the application of an SVM classifier to distinguish between complete responders (CR) and partial responders (PR) among patients with H&N cancer. The proposed method could achieve to accuracy=71%, F1-score=69% and AUC=70% to classify H&N patient with responses CR and PR.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».