CT radiomics-based biomarkers can predict response to immunotherapy in hepatocellular carcinoma
Notice bibliographique
Résumé
Hepatocellular Carcinoma (HCC) remains a leading cause of cancer deaths. Despite the rise of immunotherapies, many HCC patients don't benefit. There's a clear need for biomarkers to guide treatment decisions. This research aims to identify such biomarkers by combining radiological data and machine learning. We analyzed clinical and CT imaging data of 54 HCC patients undergoing immunotherapy. Radiologic features were examined to develop a model predicting short-term immunotherapy effects. We utilized 9 machine learning and 2 ensemble learning techniques using RapidMiner for model construction. We conducted the validation of the above feature combination using 29 HCC patients who received immunotherapy from another hospital, and tested and validated it using XGBoost combined with a genetic algorithm. In 54 HCC patients, radiomics features varied significantly between those with partial response (PR) and stable disease (SD). Key features in Gray Level Run Length Matrix (GLRLM) and in adjacent tissues' Intensity Direct, Neighborhood Gray Tone Difference Matrix (NGTDM), and Shape correlated with short-term immunotherapy efficacy. Selected feature combinations of 15, 19, and 8/15 features yielded better outcomes. Deep learning, random forest, and naive bayes outperformed other methods, with Bagging being more reliable than Adaboost. In the validation set of 29 HCC patients, the mentioned feature combination also demonstrated favorable performance. Furthermore, we achieved improved results when employing XGBoost in conjunction with a genetic algorithm for testing and validation. The machine learning model built with CT image features derived from GLCM, GLRLM, IntensityDirect, NGTDM, and Shape can accurately forecast the short-term efficacy of immunotherapy for HCC.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».