Additional file 1 of A gene mutation-based risk model for prognostic prediction in liver metastases
Notice bibliographique
Résumé
Additional file 1: Fig. S1. The summary of patients included in the training (a), validation (b) and primary liver cancer (c) and transcriptomic (d) cohorts. Fig. S2. Assessment of the predictive performance of the gene mutation-based risk model. a. Receiver operating characteristic (ROC) curve of the training cohort. b. ROC curve of the validation cohort. c. Area under the ROC curve (AUC) for different cancer types in the training cohort. d. AUC for different cohorts in the validation cohort. Fig. S3. Assessment of the predictive accuracy of the gene mutation-based risk model. a. Calibration curve for assessing the predictive accuracy of the gene mutation-based risk model in the training cohort. The gray line represents ideal performance. The red line represents actual performance. b. Calibration curve for assessing the predictive accuracy of the gene mutation-based risk model in the validation cohort. The gray line represents ideal performance. The red line represents actual performance. c. Univariate and multivariate Cox regression analyses of gene mutation-based risk model in the training cohort. d. Univariate and multivariate Cox regression analyses of gene mutation-based risk model in the validation cohort. e. Comparison of C-indexes between the gene mutation-based risk model and 10 gene mutations included in the risk model in the training cohort. f. Comparison of C-indexes between the gene mutation-based risk model and 10 gene mutations included in the risk model in the validation cohort.
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 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,775 | 0,084 |
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 ».