Effectiveness of Artificial Intelligence Models in Predicting Lung Cancer Recurrence: A Gene Biomarker-Driven Review
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVES: Lung cancer recurrence, particularly in NSCLC, remains a major challenge, with 30-70% of patients relapsing post-treatment. Traditional predictors like TNM staging and histopathology fail to account for tumor heterogeneity and immune dynamics. This review evaluates AI models integrating gene biomarkers (TP53, KRAS, FOXP3, PD-L1, and CD8) to enhance the recurrence prediction and improve the personalized risk stratification. METHODS: Following the PRISMA guidelines, we systematically reviewed AI-driven recurrence prediction models for lung cancer, focusing on genomic biomarkers. Studies were selected based on predefined criteria, emphasizing AI/ML approaches integrating gene expression, radiomics, and clinical data. Data extraction covered the study design, AI algorithms (e.g., neural networks, SVM, and gradient boosting), performance metrics (AUC and sensitivity), and clinical applicability. Two reviewers independently screened and assessed studies to ensure accuracy and minimize bias. RESULTS: A literature analysis of 18 studies (2019-2024) from 14 countries, covering 4861 NSCLC and small cell lung cancer patients, showed that AI models outperformed conventional methods. AI achieved AUCs of 0.73-0.92 compared to 0.61 for TNM staging. Multi-modal approaches integrating gene expression (PDIA3 and MYH11), radiomics, and clinical data improved accuracy, with SVM-based models reaching a 92% AUC. Key predictors included immune-related signatures (e.g., tumor-infiltrating NK cells and PD-L1 expression) and pathway alterations (NF-κB and JAK-STAT). However, small cohorts (41-1348 patients), data heterogeneity, and limited external validation remained challenges. CONCLUSIONS: AI-driven models hold potential for recurrence prediction and guiding adjuvant therapies in high-risk NSCLC patients. Expanding multi-institutional datasets, standardizing validation, and improving clinical integration are crucial for real-world adoption. Optimizing biomarker panels and using AI trustworthily and ethically could enhance precision oncology, enabling early, tailored interventions to reduce mortality.
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 | 0,007 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».