Distinguishing recurrence from radiation-induced lung injury at the time of RECIST progressive disease on post-SABR CT scans using radiomics
Notice bibliographique
Résumé
Stereotactic ablative radiotherapy (SABR) is a highly effective treatment for patients with early-stage lung cancer who are inoperable. However, SABR causes benign radiation-induced lung injury (RILI) which appears as lesion growth on follow-up CT scans. This triggers the standard definition of progressive disease, yet cancer recurrence is not usually present, and distinguishing RILI from recurrence when a lesion appears to grow in size is critical but challenging. In this study, we developed a tool to do this using scans with apparent lesion growth after SABR from 68 patients. We performed bootstrapped experiments using radiomics and explored the use of multiple regions of interest (ROIs). The best model had an area under the receiver operating characteristic curve of 0.66 and used a sphere with a diameter equal to the lesion's longest axial measurement as the ROI. We also investigated the effect of using inter-feature and volume correlation filters and found that the former was detrimental to performance and that the latter had no effect. We also found that the radiomics features ranked as highly important by the model were significantly correlated with outcomes. These findings represent a key step in developing a tool that can help determine who would benefit from follow-up invasive interventions when a SABR-treated lesion increases in size, which could help provide better treatment for patients.
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 | 0,004 |
| 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 ».