PET Inter-Lesion Radiomics Aggregation for Enhanced PRRT Response Prediction in Neuroendocrine Tumors
Notice bibliographique
Résumé
Peptide Receptor Radionuclide Therapy (PRRT) using [${ }^{177}$Lu]Lu-DOTA-TATE has significantly improved outcomes for patients with advanced neuroendocrine tumors (NETs), yet predicting therapeutic response remains challenging. This study investigates whether aggregating radiomic features of different lesions extracted from pre-treatment somatostatin receptor PET/CT scans can predict disease progression and time to progression (TTP) in NET patients receiving PRRT. A retrospective analysis was conducted on 81 patients, with segmented lesions sorted based on standardized uptake values ($\text{SUV}_{\text {max }}, \text{SUV}_{\text {mean }}, \text{SUV}_{\text {min }}$) and volume. Radiomic features were extracted from the top 1, 3, and 5 lesions per patient, and two aggregation strategies-stacked and statistical-were applied. Classification models were trained using eight machine learning algorithms incorporating three feature selection methods within a nested cross-validation framework. For TTP prediction, five survival models employing three feature selection methods were used within the same cross-validation scheme. Results showed that stacking features from the top three lesions sorted by$\text{SUV}_{\text {min }}$and input into a K-Nearest Neighbors model provided the highest progression prediction accuracy (AUCC$=0.75$). For TTP, the best performance was achieved by a Random Survival Forest model trained on statistically aggregated features from the top 5 lesions sorted by SUV${ }_{\text {mean }}(\mathrm{C}$-index$=0.68)$. Overall, incorporating radiomic data from multiple lesions using aggregation methods enhanced model performance in both tasks, highlighting the importance of lesion selection and feature aggregation in progression and survival prediction for PRRT-treated NET patients.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».