Machine learning-based radiomics using magnetic resonance images for prediction of clinical complete response to neoadjuvant chemotherapy in patients with muscle-invasive bladder cancer
Notice bibliographique
Résumé
Abstract Purpose Predicting clinical complete response (CR) to neoadjuvant chemotherapy (NAC) in patients with muscle-invasive bladder cancer (MIBC) remains a clinical challenge. Existing CT-based radiomics studies have shown promise, but MRI-derived radiomics using machine learning (ML) has not been systematically explored. This study aimed to develop and validate ML-based radiomics models using multiparametric MRI and clinical data to predict CR in MIBC patients receiving NAC. Materials and methods MIBC patients eligible for platinum-based NAC were prospectively included. Tumor regions were manually segmented from pre-treatment MRI sequences (CE-T1WI, T2WI, DWI, ADC maps). Radiomics features and clinical variables were extracted. Least Absolute Shrinkage and Selection Operator (LASSO) was used for feature selection, and multiple ML classifiers were trained using stratified fivefold cross-validation. The area under the receiver operating characteristic curve (AUC-ROC), sensitivity, specificity, precision, and F1 scores were calculated. Results Among 52 patients, 19 (36.5%) achieved CR. Of 177 extracted features, CE-T1WI-derived models achieved the best performance. The support vector machine (SVM) yielded the highest AUC-ROC of 0.88, with sensitivity, specificity, and precision of 0.82, 0.79, and 0.79, respectively. The K-Nearest Neighbors (KNN) model performed comparably (AUC = 0.87). Clinical feature-based models also performed strongly (RF, AUC = 0.86). Conclusions ML-based radiomics models derived from multiparametric MRI sequences and clinical features hold substantial potential for predicting clinical CR to the NAC in MIBC patients. These results suggest that MR images can provide reliable insights into treatment response, offering a noninvasive and effective tool for clinical decision-making. This is the first prospective ML-based MRI radiomics study in this domain. We present this work as a proof-of-concept requiring external multicenter validation in a larger dataset to confirm these findings.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».