Radiomics in Pituitary Adenomas: A Systematic Review of Clinical Applications and Predictive Models
Notice bibliographique
Résumé
Background: Radiomics offers quantitative, high-dimensional data from conventional imaging and holds promise for improving diagnosis and treatment of pituitary adenomas (PAs). This systematic review aimed to synthesize current clinical applications of radiomics in PAs, focusing on diagnostic, predictive, and prognostic modeling. Methods: This review followed the PRISMA 2020 guidelines. A systematic search was performed in PubMed, Scopus, and Web of Science on 10 January 2024, and updated on 5 March 2024, using predefined keywords and MeSH terms. Studies were included if they evaluated radiomics-based models using MRI for diagnosis, classification, consistency, invasiveness, treatment response, or recurrence in human PA populations. Data extraction included study design, sample size, MRI sequences, feature types, machine learning algorithms, and model performance metrics. Study quality was assessed via the Newcastle-Ottawa Scale. Descriptive statistics summarized study characteristics; no meta-analysis was performed due to heterogeneity. Results: Out of 341 identified articles, 49 studies met inclusion criteria, encompassing a total of more than 9350 patients. The majority were retrospective (43 studies, 88%). MRI sequences used included T2-weighted imaging (35 studies, 71%), contrast-enhanced T1WI (34 studies, 69%), and T1WI (21 studies, 43%). PyRadiomics was the most common feature extraction tool (20 studies, 41%). Machine learning was employed in 43 studies (88%), predominantly support vector machines (16 studies, 33%), random forests (9 studies, 18%), and logistic regression (9 studies, 18%). Deep learning methods were applied in 17 studies (35%). Regarding diagnostic performance, 22 studies (45%) reported an (AUC) ≥0.85 in test datasets. External validation was performed in only 6 studies (12%). Radiomics applications included histological subtype prediction (14 studies, 29%), surgical outcome prediction (13 studies, 27%), invasiveness assessment (7 studies, 15%), tumor consistency evaluation (8 studies, 16%), and response to medical or radiotherapy treatments (3 studies, 6%). One study (2%) addressed automated segmentation and volumetry. Conclusions: Radiomics enables high-performance, noninvasive prediction of PA subtypes, consistency, invasiveness, treatment response, and recurrence, with 22 studies (45%) reporting AUC ≥0.85. Despite promising results, clinical translation remains limited by methodological heterogeneity, low external validation (6 studies, 12%), and lack of standardization.
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 | 0,014 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,015 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».