Predicting Tumor Progression in Patients with Cervical Cancer Using Computer Tomography Radiomic Features
Notice bibliographique
Résumé
The objective of this study was to evaluate the effectiveness of utilizing radiomic features from radiation planning computed tomography (CT) scans in predicting tumor progression among patients with cervical cancers. A retrospective analysis was conducted on individuals who underwent radiotherapy for cervical cancer between 2015 and 2020, utilizing an institutional database. Radiomic features, encompassing first-order statistical, morphological, Gray-Level Co-Occurrence Matrix (GLCM), Gray-Level Run Length Matrix (GLRLM), and Gray-Level Dependence Matrix (GLDM) features, were extracted from the primary cervical tumor on the CT scans. The study encompassed 112 CT scans from patients with varying stages of cervical cancer ((FIGO Staging of Cervical Cancer 2018): 24% at stage I, 47% at stage II, 21% at stage III, and 10% at stage IV). Of these, 31% (n = 35/112) exhibited tumor progression. Univariate feature analysis identified three morphological features that displayed statistically significant differences (p < 0.05) between patients with and without progression. Combining these features enabled a classification model to be developed with a mean sensitivity, specificity, accuracy, and AUC of 76.1% (CI 1.5%), 70.4% (CI 4.1%), 73.6% (CI 2.1%), and 0.794 (CI 0.029), respectively, employing nested ten-fold cross-validation. This research highlights the potential of CT radiomic models in predicting post-radiotherapy tumor progression, offering a promising approach for tailoring personalized treatment decisions in cervical cancer.
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 | 0,001 | 0,006 |
| 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 | 0,001 | 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 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 ».