Radiomics feature based benign vs. malignant characterization of solid renal masses on MRI
Notice bibliographique
Résumé
Magnetic resonance imaging (MRI) is well suited for Solid renal masses (SRMs) characterization (e.g., benign vs. malignant) due to its superior soft tissue contrast. Though renal mass detection and characterization using deep-learning (DL) methods have been extensively studied for computed tomography (CT) images, those same tasks are yet to be investigated on MRI images. SRMs need active surveillance as they consist of biologically diverse heterogeneous groups of benign or malignant masses. Among them, malignant clear cell renal carcinoma (ccRCC) is frequently aggressive. There are inter-observer and intra-observer differences in the assessment of SRMs by expert clinicians because of their experience and expertise. Therefore, it is essential to develop a machine learningbased noninvasive imaging diagnosis to distinguish SRMs as benign and malignant. Our retrospective study consisted of malignant (renal cell carcinoma- clear cell, papillary, and chromophobe) and benign (fat-poor angiomyolipoma-fpAML, oncocytomas) SRMs. We extracted first and second-order radiomics features from SRMs on T2W and T1W-CM MRI to train different machine learning (ML) models using the 5-fold cross-validation for benign vs malignant classification. The support vector machine (SVM) algorithm generated benign vs malignant classification accuracy of 90.00% with ROC-AUC of 76.19% on T2W MRI and the custom-designed multilayer perceptron model (MLP) model produced accuracy of 80.00% with ROC-AUC of 75.47% on T1W-CM MRI. Thus, ML-based radiomics features classification of SRMs extracted on MRI may be an alternative to biopsy using a non-invasive assessment of SRMs.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».