Different radiomics models in predicting the malignant potential of small intestinal stromal tumors
Notice bibliographique
Résumé
Objectives: To explore the feasibility of different radiomics models for predicting the malignant potential of small intestinal stromal tumors (SISTs), and to select the best radiomics model. Methods: A retrospective analysis of 140 patients with SISTs was conducted. Radiomics features were extracted from CT-enhanced images. Support vector machine (SVM), Decision tree (DT), Conditional inference trees (CIT), Random Forest (RF), K-nearest neighbors (KNN), Back-propagation neural network (BPNet), and Bayes were used to construct different radiomics models. The clinical data and CT performance were selected using univariate analysis and to construct clinical model. Nomogram model was developed by combining clinical data and radiomics features. Model performances were assessed by using the area under the receiver operator characteristic (ROC) curve (AUC). The models' clinical values were assessed by decision curve analysis (DCA). Results: A total of 1132 radiomics features were extracted. Among radiomics models, SVM was better than DT, CIT, RF, KNN, BPNet, Bayes because it had the highest AUC with a significant difference (P<0.05). The AUC of the clinical model was 0.781. The AUC of the radiomics model was 0.910. The AUC of nomogram model was 0.938. Clinical models had the lowest AUC. Nomogram AUC were slightly higher than radiomics model, but the difference was not significant (P=0.48). The DCA of the nomogram model and radiomics model showed optimal clinical efficacy. Conclusions: The model constructed with SVM method was the best model for predicting the malignant potential of SISTs. Radiomics model and nomogram model showed high predictive value in predicting the malignant potential of SISTs.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».