Multi-parametric MRI-based radiomics for preoperative prediction of multiple biological characteristics in endometrial cancer
Notice bibliographique
Résumé
Purpose To develop and validate multi-parametric MRI (MP-MRI)-based radiomics models for the prediction of biological characteristics in endometrial cancer (EC). Methods A total of 292 patients with EC were divided into LVSI (n = 208), DMI (n = 292), MSI (n = 95), and Her-2 (n = 198) subsets. Total 2316 radiomics features were extracted from MP-MRI (T2WI, DWI, and ADC) images, and clinical factors (age, FIGO stage, differentiation degree, pathological type, menopausal state, and irregular vaginal bleeding) were included. Intra-class correlation coefficient (ICC), spearman’s rank correlation test, univariate logistic regression, and least absolute shrinkage and selection operator (LASSO) were used to select radiomics features; univariate and multivariate logistic regression were used to identify clinical independent risk factors. Five classifiers were applied (logistic regression, random forest, decision tree, K-nearest neighbor, and Bayes) to construct radiomics models for predicting biological characteristics. The clinical model was built based on the clinical independent risk factors. The combined model incorporating the radiomics score (radscore) and the clinical independent risk factors was constructed. The model was evaluated by ROC curve, calibration curve (H-L test), and decision curve analysis (DCA). Results In the training cohort, the RF radiomics model performed best among the five classifiers for the three subsets (MSI, LVSI, and DMI) according to AUC values (AUCMSI: 0.844; AUCLVSI: 0.952; AUCDMI: 0.840) except for Her-2 subset (Decision tree: AUC=0.714), and the combined model had higher AUC than the clinical model in each subset (MSI: AUCcombined =0.907, AUCclinical =0.755; LVSI: AUCcombined =0.959, AUCclinical =0.835; DMI: AUCcombined = 0.883, AUCclinical =0.796; Her-2: AUCcombined =0.812, AUCclinical =0.717; all P<0.05). Nevertheless, in the validation cohort, significant differences between the two models (combined vs. clinical model) were found only in the DMI and LVSI subsets (DMI: AUCcombined =0.803, AUCclinical =0.698; LVSI: AUCcombined =0.926, AUCclinical =0.796; all P<0.05). Conclusion The radiomics analysis based on MP-MRI and clinical independent risk factors can potentially predict multiple biological features of EC, including DMI, LVSI, MSI, and Her-2, and provide valuable guidance for clinical decision-making.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».