Bridging Histopathology and Radiomics Toward Prognosis of Metastasis in Early Breast Cancer
Notice bibliographique
Résumé
Tumor histomorphology is crucial for the prognostication of breast cancer outcomes because it contains histological, cellular, and molecular tumor heterogeneity related to metastatic potential. To enhance breast cancer prognosis, we aimed to apply radiomics analysis-traditionally used in 3D scans-to 2D histopathology slides. This study tested radiomics analysis in a cohort of 92 breast tumor specimens for outcome prognosis, addressing -omics dimensionality by comparing models with moderate and high feature counts, using least absolute shrinkage and selection operator for feature selection and machine learning for prognostic modeling. In the test folds, models with radiomics features [area under the curves (AUCs) range 0.799-0.823] significantly outperformed the benchmark model, which only included clinicopathological (CP) parameters (AUC = 0.584). The moderate-dimensionality model with 11 CP + 93 radiomics features matched the performance of the highly dimensional models with 1,208 radiomics or 11 CP + 1,208 radiomics features, showing average AUCs of 0.823, 0.799, and 0.807 and accuracies of 79.8, 79.3, and 76.6%, respectively. In conclusion, our application of deep texture radiomics analysis to 2D histopathology showed strong prognostic performance with a moderate-dimensionality model, surpassing a benchmark based on standard CP parameters, indicating that this deep texture histomics approach could potentially become a valuable prognostic tool.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».