MétaCan
Menu
Retour à la cohorte
Enregistrement W4415898701 · doi:10.1136/jitc-2025-sitc2025.0078

78 Exploratory radiomics analysis in unresectable hepatocellular carcinoma treated with durvalumab alone or combined with tremelimumab or bevacizumab

2025· article· W4415898701 sur OpenAlexaff
Hanif Gabrani-Juma, Qin Li, Young S. Lee, Patricia McCoon

Notice bibliographique

RevueRegular and Young Investigator Award Abstracts · 2025
Typearticle
Langue
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensAstraZeneca (Canada)
Organismes subventionnairesnon disponible
Mots-clésDurvalumabTremelimumabBevacizumabRadiomicsHepatocellular carcinomaNivolumabExploratory analysis

Résumé

récupéré en direct d'OpenAlex

Background The Phase 2 Study 22 [ NCT02519348] demonstrated the efficacy of durvalumab alone (D) or combined with tremelimumab (D+T) or bevacizumab (D+B) in unresectable hepatocellular carcinoma (HCC).1 2 We analyzed baseline and end-of-treatment (EOT) abdominal CT scans to explore associations between image features and clinical outcomes, including overall survival (OS), progression-free survival (PFS), and lesion-specific responses.Methods Arterial phase CTs from 124 patients, free of artifacts, were reviewed; measurable HCC lesions (>10 mm) and entire liver were delineated by radiologists. Radiomic features from tumor, peri-tumoral regions, and liver were extracted.OS and PFS were modeled using Cox regression with baseline radiomic features of liver or lesions. Performances were reported as concordance index (c-index).For patients with measurable tumors at both baseline and EOT, individual lesion response was defined by volumetric change (growing/shrinking) and exponential decay/growth rates were estimated. Multivariate mixed-effect models were assessed to create a classification model (60-40 train-test split) to distinguish growing/shrinking lesions using baseline radiomic features of lesions, with performance reported as AUC.Results Among 124 patients, 93 (SR-1) had measurable tumors with 490 lesions at baseline; 31 (SR-2) were determined not measurable or ‘diffuse’. Median tumor burdens were 112 cm 3 (D, n=39), 66 cm3 (D+T, n=32), and 39 cm3 (D+B, n=22).OS was shorter for SR-2 than SR-1 for D and D+T (424 and 217 days respectively), with a similar trend observed for B+D. Univariate analysis identified eight liver-based radiomic features associated with SR-2.A survival model using liver radiomic features had a c-index of 0.61 (124 patients, 3-fold cross-validation), surpassing lesion-based OS models. For PFS, the best performance was achieved using radiomic features of the largest lesion (c-index=0.62, SR-1).In 57 patients from SR-1 with suitable EOT scan, 298 lesions were tracked. Combination therapy yielded a higher tumor decay rate than D-monotherapy, with similar growth-rates for non-responding lesions across treatments. In responding lesions, median tumor half-life decreased from ~670 days to ~215 days (combination arms). A baseline mixed-effects model achieved AUC of 0.86 in lesion response classification.Conclusions Deep lesion level analyses revealed the impact of combination therapy in shrinking lesions, complementing RECIST assessment. High-throughput radiomic detection of the negative prognostic feature ‘diffuse’ appears feasible. For immunotherapy response/resistance, baseline radiomic features may predict OS, PFS, lesion-level outcome and could be utilized to identify candidate features. Limitations include sample size and potential overfitting, requiring validation in a larger cohort.Acknowledgements Image quality control, radiology reads, segmentations, and statistical analysis was performed by Radiomics.bioTrial Registration ClinicalTrials.gov identifier: NCT02519348References Kelley RK, Sangro B, Harris W, Ikeda M, Okusaka T, Kang YK, et al. Safety, efficacy, and pharmacodynamics of tremelimumab plus durvalumab for patients with unresectable hepatocellular carcinoma: randomized expansion of a phase I/II study. J Clin Oncol 2021;39:2991-3001.Lim HY, Heo J, Kim T-Y, Tai WMD, Kang Y-K, Lau G, et al. Safety and efficacy of durvalumab plus bevacizumab in unresectable hepatocellular carcinoma: results from the phase 2 study 22 (NCT02519348). J Clin Oncol 2022; 40: abs 436.Ethics Approval This open-label, phase I/II study was conducted at 19 sites in nine countries (ClinicalTrials.gov identifier: NCT02519348) according to the Declaration of Helsinki. All patients provided written informed consent. Protocol approval was obtained from institutional review boards or ethics committees at each site.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,250
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueRegular and Young Investigator Award AbstractsMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207