Development And Validation Of An AI-Based Pathomics Biomarker To Predict Response To First-Line Treatment In Metastatic Colorectal Cancers
Notice bibliographique
Résumé
Microsatellite stable metastatic colorectal cancer (mCRC) patients are treated with a "one-fits-all" standard of care chemotherapy.However, responses occur in 20-30% of patients, while 15-20% are refractory.The latter are exposed to side effects that lower their quality of life.Therefore, the aim of this work is to develop a predictive biomarker, based on digital pathology images, that can help stratify patients according to their risk of resistance.Hematoxylin and eosin-stained (H&E) slides of mCRC resections were digitalized.Patches were extracted from the resulting whole slide images and automatically classified as belonging to one out of 9 classes, including the tumoral one, using a deep learning model.Based on texture features, clusters of patches were computed and were used to create the Bag of words (BoWs) that were subsequently used to train several machine learning classifiers.The best performances were obtained by a support vector machine, reaching a negative predictive value (NPV) of 90% (44/49; 95%CI=79-95%) and 82% (14/17; ICBB 122-2 95%CI=63-93%), in the training and validation sets, respectively.From a clinical perspective, NPV is the most relevant metric to ensure that sensitive patients are not wrongly prevented from receiving treatment.These preliminary findings should be further validated on a larger cohort of patients that we are collecting through a multi-institutional study.
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 | 0,000 | 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 ».