Deciphering the biological underpinnings behind prognostic MRI-based imaging signatures in breast cancer: a systematic review
Notice bibliographique
Résumé
OBJECTIVE: To explore the biological foundations of MRI-based prognostic imaging signatures (including radiomics and deep learning signatures) in breast cancer, and to assess the methodological quality of existing studies. METHODS: This review identified studies through a comprehensive search of PubMed, Embase, Web of Science Core Collection, and the Cochrane Library through February 25, 2025. Studies on MRI-based prognostic radiomics or deep learning models with elaborated biological relevance were included. The Radiomics Quality Score (RQS), Newcastle-Ottawa Scale (NOS), and Quality Assessment of Prognostic Accuracy Studies (QUAPAS) were employed to appraise the quality of studies. Data extraction included details on study characteristics, specifics of radiomics or deep learning models, and methods leveraged for biological analysis. RESULTS: Sixteen studies published from 2015 to 2025, comprising 61-2279 breast cancer patients, were included. Most studies employed supervised machine learning methods, with a few utilizing unsupervised machine learning methods. The underlying biological correlations mainly focused on genomic, tumor microenvironment-related, and multiomics data. The median RQS was 12.5 (range 5-17), and the mean NOS score was 7.3, reflecting limited methodological rigor. The overall risk of bias (ROB) among the studies was high, according to QUAPAS. CONCLUSION: The underlying biological associations of prognostic imaging signatures are mainly elucidated through genomic and transcriptomic factors. Further in-depth exploration is essential to facilitate personalized and precise treatment.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».