Pre-Treatment PET Radiomics for Prediction of Disease-Free Survival in Cervical Cancer
Notice bibliographique
Résumé
Background: Cervical cancer remains a major global health concern, with high recurrence rates in advanced stages. [18F]FDG PET/CT provides prognostic biomarkers such as SUV, MTV, and TLG, though these are not routinely integrated into clinical protocols. Radiomics offers quantitative analysis of tumor heterogeneity, supporting risk stratification. Purpose: To evaluate the prognostic value of clinical and radiomic features for disease-free survival (DFS) in locoregionally advanced cervical cancer using machine learning (ML). Methods: Sixty-three patients (mean age 47.9 ± 14.5 years) were diagnosed between 2015 and 2020. Radiomic features were extracted from pre-treatment PET/CT (IBSI-compliant PyRadiomics). Clinical variables included age, T-stage, Dmax, lymph node involvement, SUVmax, and TMTV. Forty-two models were built by combining six feature-selection techniques (UCI, MD, MI, VH, VH.VIMP, IBMA) with seven ML algorithms (CoxPH, CB, GLMN, GLMB, RSF, ST, EV) using nested 3-fold cross-validation with bootstrap resampling. External validation was performed on 95 patients (mean age 50.6 years, FIGO IIB–IIIB) from an independent cohort with different preprocessing protocols. Results: Recurrence occurred in 31.7% (n = 20). SUVmax of lymph nodes, lymph node involvement, and TMTV were the most predictive individual features (C-index ≤ 0.77). The highest performance was achieved by UCI + EV/GLMB on combined clinical + radiomic features (C-index = 0.80, p < 0.05). For single feature sets, IBMA + RSF performed best for clinical (C-index = 0.72), and VH.VIMP + GLMN for radiomics (C-index = 0.71). External validation confirmed moderate generalizability (best C-index = 0.64). Conclusions: UCI-based feature selection with GLMB or EV yielded the best predictive accuracy, while VH.VIMP + GLMN offered superior external generalizability for radiomics-only models. These findings support the feasibility of integrating radiomics and ML for individualized DFS risk stratification in cervical cancer.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».