Radiomics‐based kidney lesion classification: Mitigating batch effect with nested combat harmonization
Notice bibliographique
Résumé
BACKGROUND: The increased use of CT imaging has elevated the incidental detection of renal masses, necessitating accurate differentiation between benign and malignant nodules. Radiomics offers potential for improved diagnostics; however, it is limited by variability in imaging parameters such as slice thickness, highlighting the need for effective harmonization techniques. PURPOSE: The purpose of this study is to conduct a comprehensive radiomics analysis, evaluating the impact of slice thickness in distinguishing between kidney cysts and tumors using machine learning techniques, thus contributing to more precise and effective patient management strategies. METHODS: We utilized a publicly available dataset, KITS23, and extracted radiomic features from contrast-enhanced computed tomography (CT) scans using the PyRadiomics library. The dataset consists of 599 cases, which were divided into training (60%) and testing (40%) cohorts to develop and validate predictive models. Six feature selection methods and ten machine learning classifiers were employed. Additionally, the Nested Combat harmonization technique was applied to address variations in imaging protocols across institutions. RESULTS: We observed improvements in AUC values across various feature selection methods and classifiers after harmonization, with the highest AUC reaching 0.95. This represents significant enhancements in model performance, with mean AUC improvements ranging from 0.7% to 7.7% across different feature selection methods, bringing our results in line with, and in some cases surpassing, the AUCs reported in the literature. CONCLUSIONS: These findings underscore the potential of radiomics-based machine learning models to enchance diagnostic accuracy and patient management in clinical practice. The use of harmonization techniques, such as, Nested Combat is crucial in achieving reliable and generalizable predictive models for renal oncology.
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 | 0,005 | 0,008 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».