Region-of-Interest and Handcrafted vs. Deep Radiomics Feature Comparisons for Survival Outcome Prediction: Application to Lung PET/CT Imaging
Notice bibliographique
Résumé
Although many studies have focused on handcrafted radiomics features (RF), a much more indepth study, as follows in this study, is necessary to explore usage of deep RFs extracted from deep learning (DL) algorithms to assess survival analysis. We enrolled 215 lung cancer patients with PET, CT, and clinical data from The Cancer Imaging Archive and the Vancouver General Hospital. This study aims to assess 3 approaches, including comparison of i) PET vs. CT images; ii) different region of interests (ROI) used for deep RF extraction; and iii) deep vs. handcrafted RFs in prediction of overall survival (OS; regression task to predict exact time-to-death and survival probability) by hybrid machine learning systems (HMLS), including Analysis of Variance (ANOVA) and principal component analysis (PCA) linked with regression algorithms (RA). Subsequently, 256 deep RFs were extracted from 3 ROIs on both images by a 3D auto-encoder. The 3 ROIs included i) a segmented lung tumor; ii) a 3D bounding box (36x48x46 millimeter) including the lung tumor area; and iii) entire image. Further, 215 handcrafted RFs were extracted from each segmented tumor on both images through the standardized ViSERA-radiomics package. In OS prediction, i) PET-based HMLSs outperformed CT-based HMLSs, ii) deep RFs extracted from the cropped images outperformed deep RFs extracted from other ROIs, receiving the highest mean absolute error (MAE) of 595±126 [range 36-5596 days] by ANOVA+support vector regression, and iii) deep RFs significantly outperformed handcrafted RFs. In survival probability prediction, i) PET-based HMLSs outperformed CT based HMLSs, ii) PET-based deep RFs extracted from the entire image outperformed deep RFs extracted from other ROIs, having the highest c-index of 0.65±0.05 through PCA+Random Survival Forest, and iii) deep RFs outperformed handcrafted RFs.
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) | 0,000 | 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 ».