Radiomic-based approaches in the multi-metastatic setting: a quantitative review
Notice bibliographique
Résumé
BACKGROUND: Radiomics traditionally focuses on analyzing a single lesion within a patient to extract tumor characteristics, yet this process may overlook inter-lesion heterogeneity, particularly in the multi-metastatic setting. There is currently no established method for combining radiomic features in such settings, leading to diverse approaches with varying strengths and limitations. Our quantitative review aims to illuminate these methodologies, assess their replicability, and guide future research toward establishing best practices, offering insights into the challenges of multi-lesion radiomic analysis across diverse datasets. METHODS: We conducted a comprehensive literature search to identify methods for integrating data from multiple lesions in radiomic analyses. We replicated these methods using either the author's code or by reconstructing them based on the information provided in the papers. Subsequently, we applied these identified methods to three distinct datasets, each depicting a different metastatic scenario. RESULTS: We compared ten mathematical methods for combining radiomic features across three distinct datasets, encompassing 16,894 lesions in 3,930 patients. Performance was evaluated using the Cox proportional hazards model and benchmarked against univariable analysis of total tumor volume. Results varied by dataset and lesion burden, with no single method consistently outperforming others. In colorectal liver metastases (TCIA-CRLM, 494 lesions in 197 patients), averaging methods showed the highest median performance. In soft tissue sarcoma (TH CR-406/SARC021, 1255 lesions in 545 patients), concatenating radiomic features from multiple lesions exhibited the best performance. In head and neck cancers (TCIA-RADCURE, 15,145 lesions in 3188 patients), total tumor volume remained a strong predictor. These findings highlight dataset-specific influences, including tumor type and lesion burden, on the effectiveness of radiomic feature aggregation methods. CONCLUSIONS: Radiomic features can be effectively selected or combined to estimate patient-level outcomes in multi-metastatic patients, though the approach varies by metastatic setting. Our study fills a critical gap in radiomics research by examining the challenges of radiomic-based analysis in this setting. Through a comprehensive review and rigorous testing of different methods across diverse datasets representing unique metastatic scenarios, we provide valuable insights into effective radiomic analysis strategies.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».