Adaptive region-oriented masked vision retentive network for predicting macrovascular invasion in hepatocellular carcinoma
Notice bibliographique
Résumé
The aim of the present study was to develop the Adaptive Region-Oriented Masked Vision Retentive Network (AROMA ViR) model, which can efficiently learn the morphological structures of the liver, to predict macrovascular invasion (MI) in hepatocellular carcinoma (HCC). Retrospective CT images were obtained from the University of Texas MD Anderson Cancer Center, in accordance with The Cancer Imaging Archive data usage policy and restrictions. The image dataset comprised 51,968 slices taken during the arterial phase in 105 patients with HCC. We split the data patient-wise into training, validation, and test datasets in a 6:2:2 ratio after applying specific exclusion criteria. The AROMA ViR was designed to enhance the relevant areas in the retention map by incorporating spatial information for liver parenchyma, tumor, and portal vein. The model applied causal masks specialized for specific liver shapes for each slice image into retention encoders. We compared the proposed model with Residual Network 101, Vision Transformer, and Vision Retentive Network. We calculated the area under the receiver-operating characteristic curve (AUC-ROC) and that under the precision recall curve (AUC-PR). We also obtained accuracy, sensitivity, specificity, and F1-score using Youden’s index. AROMA ViR pretrained by ImageNet showed AUC-ROC of 0.860, AUC-PR of 0.790, accuracy of 0.853, sensitivity of 0.719, specificity of 0.902, and F1 score of 0.578.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».