The [18F]F-FDG PET/CT Radiomics Classifier of Histologic Subtypes and Anatomical Disease Origins across Various Malignancies: A Proof-of-Principle Study
Notice bibliographique
Résumé
We aimed to investigate whether [18F]F-FDG-PET/CT-derived radiomics can classify histologic subtypes and determine the anatomical origin of various malignancies. In this IRB-approved retrospective study, 391 patients (age = 66.7 ± 11.2) with pulmonary (n = 142), gastroesophageal (n = 128) and head and neck (n = 121) malignancies were included. Image segmentation and feature extraction were performed semi-automatically. Two models (all possible subset regression [APS] and recursive partitioning) were employed to predict histology (squamous cell carcinoma [SCC; n = 219] vs. adenocarcinoma [AC; n = 172]), the anatomical origin, and histology plus anatomical origin. The recursive partitioning algorithm outperformed APS to determine histology (sensitivity 0.90 vs. 0.73; specificity 0.77 vs. 0.65). The recursive partitioning algorithm also revealed good predictive ability regarding anatomical origin. Particularly, pulmonary malignancies were identified with high accuracy (sensitivity 0.93; specificity 0.98). Finally, a model for the synchronous prediction of histology and anatomical disease origin resulted in high accuracy in determining gastroesophageal AC (sensitivity 0.88; specificity 0.92), pulmonary AC (sensitivity 0.89; specificity 0.88) and head and neck SCC (sensitivity 0.91; specificity 0.92). Adding PET-features was associated with marginal incremental value for both the prediction of histology and origin in the APS model. Overall, our study demonstrated a good predictive ability to determine patients’ histology and anatomical origin using [18F]F-FDG-PET/CT-derived radiomics features, mainly from CT.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».