Deep Texture Analysis Enhanced MRI Radiomics for Predicting Head and Neck Cancer Treatment Outcomes with Machine Learning Classifiers
Notice bibliographique
Résumé
Background: Head and neck cancer treatment does not yield desired outcomes for all patients. This investigation aimed to explore the feasibility of predicting treatment outcomes from routine pre-treatment magnetic resonance images (MRIs). Radiomics features were “mined” and used to train machine learning (ML) classifiers to predict treatment outcomes. Moreover, iterative deep texture analysis (DTA) was explored to boost model performances. Methods: Radiomics features were determined from T1-weighted post-contrast MRIs of pathologically involved lymph node (LN) segmentations for n = 63 patients. SVM, k-NN, and FLD classifier models were trained, selecting for 1–10 features. The model with the top balanced accuracy was chosen for an iteration of DTA. New feature sets were used to retrain and test the ML. Radiomics features were explored for a total of three layers through two iterations of DTA. Results: Models proved useful in predicting treatment outcomes. The best model was a nine-feature multivariable k-NN model with a sensitivity (%Sn) of 93%, specificity (%Sp) of 74%, 86% accuracy (%Acc), and 86% precision (%Per). The best model for two of the three classifiers (k-NN and FLD) was trained using features from three layers. The performance of the average k-NN and FLD models trained with features was boosted significantly with the inclusion of deeper-layer features. Conclusions: Pre-treatment LN MRIs contain quantifiable texture information that can be used to train ML models to predict cancer treatment outcomes. Furthermore, DTA proved useful to boosting predictive models.
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 | 0,000 | 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 | 0,000 |
| 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 ».