Quantitative ultrasound imaging for predicting response and guiding personalized neoadjuvant chemotherapy in breast cancer: randomized phase 2 clinical trial results
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Quantitative ultrasound (QUS) detects early tumor microstructural changes during neoadjuvant chemotherapy (NAC), enabling personalized treatment adaptation. This study assessed the accuracy of machine learning models using serial QUS data to predict treatment response and evaluated their feasibility for guiding treatment personalization. This single-center, phase 2 randomized controlled trial (clinicaltrials.gov NCT04050228, Dec/2019) enrolled stage II-III breast cancer patients planned for standard NAC. QUS imaging was performed at baseline and week 4, with the latter used for response prediction. Patients were randomized 1:1 to standard or experimental arms, stratified by hormone receptor status. In the standard arm, oncologists were blinded to QUS results. In the experimental arm, predictions were disclosed to allow treatment modification at week 4. Final response was determined histopathologically (>30% tumor reduction or <5% cellularity). Between June 2018 and September 2023, 146 patients were enrolled, and 120 randomized (standard: 57, experimental: 63). Response rates were 93.0% (standard) and 96.8% (experimental). The model achieved 92% accuracy, 83% sensitivity, 93% specificity, and 99% positive predictive value. In the experimental arm, 8/63 patients were predicted non-responders, with 4 undergoing treatment modification. QUS-based machine learning enables accurate early response prediction and supports adaptive treatment strategies in future trials.
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.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 découle