Differential Radiomics‐Based Signature Predicts Lung Cancer Risk Accounting for Imaging Parameters in <scp>NLST</scp> Cohort
Notice bibliographique
Résumé
OBJECTIVE: Lung cancer remains the leading cause of cancer-related mortality worldwide, with most cases diagnosed at advanced stages. Hence, there is a need to develop effective predictive models for early detection. This study aims to investigate the impact of imaging parameters and delta radiomic features from temporal scans on lung cancer risk prediction. METHODS: Using the National Lung Screening Trial (NLST) within a nested case-control study involving 462 positive screenings, radiomic features were extracted from temporal computed tomography (CT) scans and harmonized with ComBat method to adjust variations in slice thickness category (TC) and reconstruction kernel type (KT). Both harmonized and non-harmonized features from baseline (T0), delta features between T0 and a year later (T1), and combined T0 and delta features were utilized for the analysis. Feature reduction was done using LASSO, followed by five feature selection (FS) methods and nine machine learning (ML) models, evaluated with 5-fold cross-validation repeated 10 times. Synthetic Minority Oversampling Technique (SMOTE) was applied to address class imbalances for lung cancer risk prediction. RESULTS: Models using delta features outperformed baseline features, with SMOTE consistently boosting performance when using combination of baseline and delta features. TC-based harmonized features improved performance with SMOTE, but overall, harmonization did not significantly enhance the model performance. The highest test score of 0.76 was achieved in three scenarios: delta features with a Gradient Boosting (GB) model (TC-based harmonization and MultiSurf FS); and T0 + delta features, with both a Support Vector Classifier (SVC) model (KT-based harmonization and F-test FS), and an XGBoost (XGB) model (TC-based harmonization and Mutual Information (MI) FS), all using SMOTE. CONCLUSIONS: This study underscores the significance of delta radiomic features and balanced datasets to improve lung cancer prediction. While our findings are based on a subsample of NLST data, they provide a valuable foundation for further exploration. Further research is needed to assess the impact of harmonization on imaging-derived models. Future investigations should explore advanced harmonization techniques and additional imaging parameters to develop robust radiomics-based biomarkers of lung cancer risk.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 |
| 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 ».