Vocal Cord Dysfunction in Nonlaryngeal Head and Neck Cancer After Chemoradiation Therapy: Predictive Modeling Using CT Radiomics and Machine Learning
Notice bibliographique
Résumé
Introduction: This study aims to investigate computed tomography (CT) radiomic features and dosimetric-clinical biomarkers to predict vocal cord dysfunction (VCD) in nonlaryngeal head and neck cancer (HNC) patients treated with chemoradiation therapy (CRT), using machine learning (ML) models. Methods: Sixty-five HNC patients who underwent CRT were recruited to assess radiation-induced VCD 6 months posttreatment. For each patient, CT radiomic features of the laryngeal region, clinical, and dose-volume histogram (DVH) metrics were collected to develop ML models. Nine classifiers were trained using selected features obtained from three feature selection algorithms: least absolute shrinkage and selection operator (LASSO), extra trees, and elastic net. The models were built using imaging features alone (radiomics model) and in combination with clinical and dosimetric features (combined model). Model performance was evaluated using the area under the receiver operating characteristic curve (AUC-ROC). Results: Of the 65 patients, 31 developed VCD. Among radiomics models, the AdaBoost and random forest (RF) classifiers performed best, with AUCs of 0.74 and 0.84, respectively. For the combined models, nine classifiers achieved an AUC greater than 0.95 using LASSO and elastic net algorithms. In contrast, only one classifier surpassed an AUC of 0.95 when using the extra trees algorithm. Conclusion: Our findings demonstrate that pretreatment CT radiomic features are predictive biomarkers for radiation-induced toxicities, including VCD. Furthermore, combining radiomic features with clinical and dosimetric data can improve the predictive modeling of radiotherapy outcomes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 tête enseignante, 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 ».