Predicting teratoma histology in postchemotherapy residual lesions of non-seminoma testicular cancer (NSTC) patients using integrated CT radiomics and circulating MicroRNAs modelling.
Notice bibliographique
Résumé
5035 Background: Chemotherapy is the primary treatment for metastatic NSTC, but patients often have residual masses afterward. Accurate non-invasive models are needed to predict the histology of these masses, guiding treatment and reserving surgery for those with teratoma. This study aims to enhance predictive accuracy by integrating CT-driven radiomics features with miRNAs 371 and 375 (miR371-375) to distinguish between teratoma and non-teratoma histologies in post-chemotherapy residual masses. Methods: We retrospectively reviewed 52 patients with teratoma (n=56), fibrosis/necrosis (n=34), vGCT (n=11), and seminoma (n=10) lesions, divided into training (N=78) and test (N=33) cohorts with equal class distribution. Lesions included lymph nodes (n=68 retroperitoneum, n=11 mediastinum, n=4 pelvic, n=4 neck), lung (n=21), and brain (n=3) with a median size of 1.6 cm (Q1-Q3 interval=1.2-2.73 cm). Using 3D Slicer version 5.6.1, metastatic masses >1 cm (short axis) were segmented and radiomics features were extracted from venous phase CT images. Plasma miR371 and miR375 levels were measured by RT-PCR before resection. Four machine learning models evaluated the predictive value of radiomics alone (R-only) and combined with miR371/miR375 levels for teratoma histology, and the best performer, Cat Boosting (CB) method, is reported. Results: The analysis of datasets revealed a consistent pattern of superior performance in training sets compared to test sets across all metrics. The CB model R+371+375 dataset demonstrated the most robust overall performance, with the highest AUC values (0.96 [95% CI 0.88-1.0] for training, 0.83 [95% CI 0.68-0.98] for test) and a well-balanced sensitivity (0.71) and specificity (0.76) in the test set for predicting teratoma histology. R+375 followed closely with an AUC of 0.82 (95% CI 0.66-0.97). Conclusions: Combining miR 371 and 375 with CT-driven radiomics features improves the accuracy of classifying teratoma histology in metastatic NSTCs. This method can help characterize teratoma in residual metastatic disease, aiding treatment decisions and minimizing under or over-treatment risks. Further refinement, including the integration of clinical features, will be reported.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».