Radiomics of Preoperative Multi-Sequence Magnetic Resonance Imaging Can Improve the Predictive Performance of Microvascular Invasion in Hepatocellular Carcinoma
Notice bibliographique
Résumé
Background: The aim of the study is to demonstrate that radiomics of preoperative multi-sequence magnetic resonance imaging (MRI) can indeed improve the predictive performance of microvascular invasion (MVI) in hepatocellular carcinoma (HCC). Methods: A total of 206 patients with pathologically confirmed HCC who underwent preoperative enhanced MRI were retrospectively recruited. Univariate and multivariate logistic regression analysis identified the independent clinicoradiologic predictors of MVI present and constituted the clinicoradiologic model. Recursive feature elimination (RFE) was applied to select radiomics features (extracted from six sequence images) and constructed the radiomics model. Clinicoradiologic model plus radiomics model formed the clinicoradiomics model. Five-fold cross-validation was used to validate the three models. Discrimination, calibration, and clinical utility were used to evaluate the performance. Net reclassification improvement (NRI) and integrated discrimination improvement (IDI) were used to compare the prediction accuracy between models. Results: The clinicoradiologic model contained alpha-fetoprotein (AFP)_lg10, radiological capsule enhancement, enhancement pattern and arterial peritumoral enhancement, which were independent risk factors of MVI. There were 18 radiomics features related to MVI constructed the radiomics model. The mean area under the receiver operating curve (AUC) of clinicoradiologic, radiomics and clinicoradiomics model were 0.849, 0.925 and 0.950 in the training cohort and 0.846, 0.907 and 0.933 in the validation cohort, respectively. The three models' calibration curves fitted well, and decision curve analysis (DCA) confirmed the clinical usefulness. Compared with the clinicoradiologic model, the NRI of radiomics and clinicoradiomics model increased significantly by 0.575 and 0.825, respectively, and the IDI increased significantly by 0.280 and 0.398, respectively. Conclusions: Radiomics of preoperative multi-sequence MRI can improve the predictive performance of MVI in HCC.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 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 ».