Pre-Treatment Prediction of Breast Cancer Response to Neoadjuvant Chemotherapy Using Intratumoral and Peritumoral Radiomics from T2-Weighted and Contrast-Enhanced T1-Weighted MRI
Notice bibliographique
Résumé
(1) Background: Neoadjuvant chemotherapy (NAC) is an integral part of breast cancer management, and response to NAC is an important prognostic factor associated with improved survival outcomes. However, the current standard for response assessment relies on post-surgical histopathological analysis, which limits early therapeutic decision-making and treatment personalization. This study aimed to develop and evaluate a machine learning model that integrates pre-treatment MRI radiomics and clinical features to predict response to NAC in breast cancer patients. (2) Methods: In this study, a machine learning model was developed to predict breast cancer response to NAC using pre-treatment magnetic resonance imaging (MRI) radiomics and clinical data. Radiomic features were extracted from contrast-enhanced T1-weighted (CE-T1) and T2-weighted (T2) MRI sequences using both intratumoral and peritumoral segmentations. Furthermore, this study uniquely examined two response assessment criteria: (1) pathologic complete response (pCR) versus non-pCR, and (2) clinical response versus non-response. A total of 254 patients with biopsy-confirmed breast cancer who completed NAC were included. Radiomic features (n = 400) and clinical features (n = 7) were analyzed to build a predictive model employing the XGBoost classifier. Performance was measured in terms of accuracy, precision, sensitivity, specificity, F1-score, and AUC. (3) Results: The integration of radiomic features with clinical data significantly enhanced the predictive performance. For pCR and non-pCR prediction, the combined features model achieved an accuracy of 80% and AUC of 0.85, outperforming both the clinical features model (Accuracy = 68%, AUC = 0.81) and radiomic features model (Accuracy = 66%, AUC = 0.60). Similarly, for the clinical response and non-response prediction, the combined features model achieved an Accuracy of 74% and AUC of 0.75, outperforming both the clinical features model (Accuracy = 63%, AUC = 0.68) and radiomic features model (Accuracy = 66%, AUC = 0.57). (4) Conclusions: These findings highlight the synergistic effect of integrating clinical data and MRI-based radiomics to improve pre-treatment NAC response prediction, which has the potential to enable more precise and personalized treatment 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 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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 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 ».