A priori prediction of breast cancer response to neoadjuvant chemotherapy using quantitative ultrasound, texture derivative and molecular subtype
Notice bibliographique
Résumé
The purpose of this study was to investigate the performances of the tumor response prediction prior to neoadjuvant chemotherapy based on quantitative ultrasound, tumour core-margin, texture derivative analyses, and molecular parameters in a large cohort of patients (n = 208) with locally advanced and earlier-stage breast cancer and combined them to best determine tumour responses with machine learning approach. Two multi-features response prediction algorithms using a k-nearest neighbour and support vector machine were developed with leave-one-out and hold-out cross-validation methods to evaluate the performance of the response prediction models. In a leave-one-out approach, the quantitative ultrasound-texture analysis based model attained good classification performance with 80% of accuracy and AUC of 0.83. Including molecular subtype in the model improved the performance to 83% of accuracy and 0.87 of AUC. Due to limited number of samples in the training process, a model developed with a hold-out approach exhibited a slightly higher bias error in classification performance. The most relevant features selected in predicting the response groups are core-to-margin, texture-derivative, and molecular subtype. These results imply that that baseline tumour-margin, texture derivative analysis methods combined with molecular subtype can potentially be used for the prediction of ultimate treatment response in patients prior to neoadjuvant chemotherapy.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».