MRI in Oral Tongue Squamous Cell Carcinoma: A Radiomic Approach in the Local Recurrence Evaluation
Notice bibliographique
Résumé
(1) Background: Oral tongue squamous cell carcinoma (OTSCC) is a prevalent malignancy with high loco-regional recurrence. Advanced imaging biomarkers are critical for stratifying patients at a high risk of recurrence. This study aimed to develop MRI-based radiomic models to predict loco-regional recurrence in OTSCC patients undergoing surgery. (2) Methods: We retrospectively selected 92 patients with OTSCC who underwent MRI, followed by surgery and cervical lymphadenectomy. A total of 31 patients suffered from a loco-regional recurrence. Radiomic features were extracted from preoperative post-contrast high-resolution MRI and integrated with clinical and pathological data to develop predictive models, including radiomic-only and combined radiomic-clinical approaches, trained and validated with stratified data splitting. (3) Results: Textural features, such as those derived from the Gray-Level Size-Zone Matrix, Gray-Level Dependence Matrix, and Gray-Level Run-Length Matrix, showed significant associations with recurrence. The radiomic-only model achieved an accuracy of 0.79 (95% confidence interval: 0.69, 0.87) and 0.74 (95% CI: 0.54, 0.89) in the training and validation set, respectively. Combined radiomic and clinical models, incorporating features like the pathological depth of invasion and lymph node status, provided comparable diagnostic performances. (4) Conclusions: MRI-based radiomic models demonstrated the potential for predicting loco-regional recurrence, highlighting their increasingly important role in advancing precision oncology for OTSCC.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 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 ».