MétaCan
Menu
← Retour à la cohorte
Enregistrement W4417473093 · doi:10.1109/sipaim67325.2025.11283389

Multimodal Radiomic Profiling Can Distinguish AT1- and AT2- Cell of Origin Lung Adenocarcinoma Models

2025· article· W4417473093 sur OpenAlexaff
Hai Su, Minxiao Yang, Xiaomeng Lei, Steven Cen, Crystal N. Marconett, Bino Varghese

Notice bibliographique

Revuenon disponible
Typearticle
Langue
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensArtificial Intelligence in Medicine (Canada)
Organismes subventionnairesNational Cancer Institute
Mots-clésAdenocarcinomaCellCell of originLungRadiomicsCell typePhenotypePrecision medicineTranscriptome

Résumé

récupéré en direct d'OpenAlex

Lung adenocarcinoma (LUAD) is a highly heterogeneous disease with diverse biological behaviors and clinical outcomes, which complicates diagnosis and treatment strategies. Recent research has demonstrated that LUAD can originate from multiple alveolar cell types, including GRAMD2+alveolar type I (AT1) cells and SFTPC+alveolar type II (AT2) cells, each giving rise to tumors with distinct histological features and transcriptomic profiles. Activation of the KRASG12Doncogene in either AT1 or AT2 cells leads to the development of multifocal LUAD, but it is not fully understood how the cell of origin affects tumor characteristics observable through imaging techniques. In this study, we investigated the influence of cell origin on radiomic signatures by comparing LUAD models derived from SFTPC+AT2 cells (SKTG) and GRAMD2+AT1 cells (GKTG). Using fast spin echo (FSE) MRI sequences, we identified distinct and cell-of-origin–specific radiomic profiles, with the SKTG tumors showing a greater number of significantly (p < 0.05) different features, indicating unique imaging phenotypes between the two tumor types. Notably, SKTG tumors exhibited increasing radiomic heterogeneity over time, which may correlate with a more aggressive tumor behavior and progression compared to GKTG tumors. These findings underscore the diagnostic and prognostic potential of radiomics to non-invasively differentiate LUAD lesions based on their cellular origin. By capturing tumor heterogeneity and progression longitudinally through imaging, radiomic analysis offers promising avenues for personalized treatment planning and improved patient management tailored to AT1- versus AT2-derived LUAD. This approach may ultimately enhance early detection, therapeutic response monitoring, and clinical outcomes in lung cancer 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,285
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRadiomics and Machine Learning in Medical Imaging→Travaux en français237 207→