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 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 | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».