Computed tomography radiomics-based cross-sectional detection of mandibular osteoradionecrosis in head and neck cancer survivors
Notice bibliographique
Résumé
Purpose: This study aims to identify radiomic features extracted from contrast-enhanced CT scans that differentiate osteoradionecrosis (ORN) from normal mandibular bone in patients with head and neck cancer (HNC) treated with radiotherapy (RT). Materials and Methods: Contrast-enhanced CT (CECT) images were collected for 150 patients (80% train, 20% test) with confirmed ORN diagnosis at The University of Texas MD Anderson Cancer Center between 2008 and 2018. Using PyRadiomics, radiomic features were extracted from manually segmented ORN regions and the corresponding automated control regions, the later defined as the contralateral healthy mandible region. A subset of pre-selected features was obtained based on correlation analysis (r > 0.95) and used to train a Random Forest (RF) classifier with Recursive Feature Elimination. Model explainability SHapley Additive exPlanations (SHAP) analysis was performed on the 20 most important features identified by the trained RF classifier. Results: From a total of 1316 radiomic features extracted, 810 features were excluded due to high collinearity. From a set of 506 pre-selected radiomic features, the optimal subset resulting on the best discriminative accuracy of the RF classifier consisted of 67 features. The RF classifier was well calibrated (Log Loss 0.296, ECE 0.125) and achieved an accuracy of 88% and a ROC AUC of 0.96. The SHAP analysis revealed that higher values of Wavelet-LLH First-order Mean and Median were associated with ORN of the jaw (ORNJ). Conversely, higher Exponential GLDM Dependence Entropy and lower Square First-order Kurtosis were more characteristic of normal mandibular tissue. Conclusion: This study successfully developed a CECT-based radiomics model for differentiating ORNJ from healthy mandibular tissue in HNC patients after RT. Future work will focus on the detection of subclinical ORNJ regions to guide earlier interventions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».