Prediction of bone invasion of oral squamous cell carcinoma using a magnetic resonance imaging-based machine learning model
Notice bibliographique
Résumé
OBJECTIVES: Radiomics, a recently developed image-processing technology, holds potential in medical diagnostics. This study aimed to propose a machine-learning (ML) model and evaluate its effectiveness in detecting oral squamous cell carcinoma (OSCC) and predicting bone metastasis using magnetic resonance imaging (MRI). MATERIALS-METHODS: MRI radiomic features were extracted and analyzed to identify malignant lesions. A total of 86 patients (44 with benign lesions without bone invasion and 42 with malignant lesions with bone invasion) were included. Data and clinical information were managed using the RadCloud Platform (Huiying Medical Technology Co., Ltd., Beijing, China). The study employed a hand-crafted radiomics model, with the dataset randomly split into training and validation sets in an 8:2 ratio using 815 random seeds. RESULTS: The results revealed that the ML method support vector machine (SVM) performed best for detecting bone invasion (AUC = 0.999) in the test set. Radiomics tumor features derived from MRI are useful to predicting bone invasion from oral squamous cell carcinoma with high accuracy. CONCLUSIONS: This study introduces an ML model utilizing SVM and radiomics to predict bone invasion in OSCC. Despite the promising results, the small sample size necessitates larger multicenter studies to validate and expand these findings.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».