Radiology-based artificial intelligence for predicting targeted therapy response in pan-cancer: a comprehensive review
Notice bibliographique
Résumé
BACKGROUND: Targeted therapy is central to precision oncology, but identifying patients who will benefit remains challenging. Conventional molecular testing, though the current standard, provides limited predictive value. With recent advances in artificial intelligence (AI) and the widespread availability of imaging data, radiology-based AI models have emerged as valuable non-invasive tools for treatment response assessment. METHODS: We conducted a comprehensive review of 112 studies that developed radiology-based AI models for predicting responses to targeted therapy across various cancer types. The reviewed models were classified into direct prediction approaches, which use end-to-end imaging-based modeling to estimate therapeutic response, and indirect prediction approaches, which infer molecular biomarkers from imaging features to indirectly assess therapeutic sensitivity. RESULTS: Across the identified literature, computed tomography (CT) was the most frequently used imaging modality, followed by magnetic resonance imaging (MRI), positron emission tomography (PET), and ultrasound (US). Lung and breast cancers were the most commonly studied diseases, though work has also expanded into gastric, colorectal, liver, kidney, brain, and ovarian cancers. Both machine learning (ML) and deep learning (DL) frameworks have been applied, with ML remaining dominant but DL gaining increasing attention in recent years, likely because ML offers interpretability and suitability for smaller datasets, whereas DL excels in handling complex, high-dimensional data. Collectively, these studies demonstrate promising performance in predicting response to targeted therapy, while also highlighting the diversity of cancer contexts and methodological designs. CONCLUSION: Radiology-based AI offers a non-invasive approach to guide treatment selection and monitoring in targeted therapy. This review summarizes current progress, highlights strengths and limitations of direct and indirect prediction strategies, and discusses future directions. To support accessibility, we also provide a continuously updated interactive website of included resources.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».