Can Patient Characteristics and Pre-Treatment MRI Features Predict Survival After Stereotactic Ablative Radiotherapy (SABR) Treatment in Hepatocellular Carcinoma (HCC): Preliminary Assessment
Notice bibliographique
Résumé
BACKGROUND: The study purpose was to develop a machine learning (ML)-based predictive model for event-free survival (EFS) in patients with hepatocellular carcinoma (HCC) undergoing stereotactic ablative radiotherapy (SABR). METHODS: Patients receiving SABR for HCC at a single institution, between 2017 and 2020, were included in the study. They were split into training and test (85%:15%) cohorts. Events of interest were HCC recurrence or death. Three ML models were trained, the features were selected, and the hyperparameters were tuned. The performance was measured using Harrell's C index with the best-performing model being tested on the unseen cohort. RESULTS: Overall, 41 patients were included (training = 34, test = 7) and 64 lesions were analysed (training = 50, test = 14), resulting in 30 events (60% rate) in the training set (death = 6, recurrence = 24) and 8 events (57% rate) in the test set (death = 5, recurrence = 3). A Cox regression model, using age at treatment, albumin, and intra-lesional fat identified through MRI as variables, had the best performance with a mean training score of 0.78 (standard deviation (SD) 0.02), a mean validation of 0.78 (SD 0.18), and a test score of 0.94. CONCLUSIONS: Predicting the outcomes in patients with HCC, following SABR, using a novel model is feasible and warrants further evaluation.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».