Multimodal machine learning predictions of treatment response and survival in advanced pancreatic cancer from the COMPASS trial.
Notice bibliographique
Résumé
4181 Background: Pancreatic cancer is an aggressive malignancy with limited therapeutic options and a poor prognosis. Current approaches to prognostication are limited, especially in advanced disease. We explored whether machine learning integrating multi-modal data could predict outcomes in advanced pancreatic cancer. Methods: We developed and evaluated machine learning models predicting disease control rate and one-year survival from the COMPASS trial (NCT02750657). Data modalities included clinical features, histopathology, radiology, RNAseq, and whole-genome sequencing (WGS). After pre-processing, we applied LASSO and XGBoost to each modality and early and late fusion techniques. Hyperparameter tuning and performance assessment were performed using repeated nested cross-validation. The PurIST RNAseq classifier served as a baseline. Area under the curve (AUC) was the primary metric. Results: The cohort included 260 patients (105 female; median age 64 [IQR 58–70]; 141 treated with FOLFIRINOX, 97 with gemcitabine and nab-paclitaxel). 170 (65%) achieved disease control and 168 (65%) survived at least one year. The performance of the machine learning models is shown in the Table. Predictions from the unimodal models had limited correlation with each other (the maximum pairwise correlation averaged across folds was between clinical and histopathology models, 0.21). The late fusion models up-weighted data modalities with stronger unimodal performance. Conclusions: Multiple individual data modalities can predict outcomes in advanced pancreatic cancer, with PurIST serving as a strong baseline. Despite differing predictions across data modalities, multimodal integration did not improve prognostic performance in this cohort. AUC for the PurIST baseline, the top 2 unimodal models, and the best fusion model for each outcome. Outcome Data Modality AUC (95% confidence interval) Disease control PurIST 0.69 (0.69, 0.70) Radiomics 0.75 (0.72, 0.79) RNAseq 0.71 (0.70, 0.72) Fusion (late) 0.71 (0.69, 0.73) One-year survival PurIST 0.63 (0.62, 0.63) DNA mutations 0.64 (0.61, 0.66) RNAseq 0.57 (0.55, 0.60) Fusion (early) 0.61 (0.56, 0.66)
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 | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».