Predictive [18F]-FDG PET/CT-Based Radiogenomics Modelling of Driver Gene Mutations in Non-small Cell Lung Cancer
Notice bibliographique
Résumé
Rationale and Objectives To investigate whether [ 18 F]-FDG PET/CT-derived radiomics may correlate with driver gene mutations in non-small cell lung cancer (NSCLC) patients. Materials and Methods In this IRB-approved retrospective study, 203 patients with surgically treated NSCLC who underwent subsequent genomic analysis of the primary tumour at our institution between December 2004 and January 2014 were identified. Of those, 128 patients (mean age 62.4 ± 10.8 years; range: 35–84) received preoperative [ 18 F]-FDG PET/CT as part of their initial staging and thus were included in the study. PET and CT image segmentation and feature extraction were performed semi-automatically with an open-source software platform (LIFEx, Version 6.30, lifexsoft.org). Molecular profiles using different next-generation sequencing (NGS) panels were collected from a web-based resource (cBioPortal.ca for Cancer genomics). Two statistical models were then built to evaluate the predictive ability of [ 18 F]-FDG PET/CT-derived radiomics features for driver gene mutations in NSCLC. Results More than half (68/128, 53%) of all tumour samples harboured three or more gene mutations. Overall, 55% of tumour samples demonstrated a mutation in TP53, 26% of samples had alterations in KRAS and 17% in EGFR. Extensive statistical analysis resulted in moderate to good predictive ability. The highest Youden Index for TP53 was achieved using combined PET/CT features (0.70), for KRAS using PET features only (0.57) and for EGFR using CT features only (0.60). Conclusion Our study demonstrated a moderate to good correlation between radiomics features and driver gene mutations in NSCLC, indicating increased predictive ability of genomic profiles using combined [ 18 F]-FDG PET/CT-derived radiomics features.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,002 |
| 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 ».