The Actual Performance of ML/AI Models in Predicting Radiation-Induced Toxicity in Head and Neck Cancer: A Systematic Review and Meta-Analysis.
Notice bibliographique
Résumé
An increasing number of Artificial intelligence (AI) and machine learning (ML) models are being developed to predict radiation-induced toxicities (RITs) in patients with head and neck cancer (HNC). But their performance and reliability remain uncertain. This systematic review and meta-analysis evaluated the predictive accuracy and methodological quality of these models. We comprehensively searched PubMed, EMBASE, Web of Science, and the Cochrane Library to identify studies reporting on ML/AI models for predicting RITs in HNC patients. Eligible studies were assessed for bias risk using the PROBAST tool, and key performance metrics, including the area under the receiver operating curve (AUROC), were extracted. A hierarchical multilevel meta-analysis was performed to estimate pooled AUROC values, and subgroup analyses explored the influence of study characteristics on model performance. A total of 67 studies with a total of 568 models were included, showing moderate discriminatory power of ML/AI models, with a pooled AUROC = 0.76; 95 % CI: 0.73-0.78. Nonetheless, substantial heterogeneity was observed across studies. Incorporating imaging biomarkers significantly improved model performance. Prospective and internal validation showed comparable performance; external validation shows true generalizability. The predominance of retrospective designs and variability in predictor selection may have introduced bias, affecting model reliability and generalisability. ML/AI models hold promise for predicting RITs in HNC patients, but methodological constraints limit their applicability. Standardised and transparent reporting of model development and validation processes is vital for improving comparability among studies. Future research should explore hybrid modelling methods and the integration of clinical, dosimetric, radiomic, and genomic data to boost predictive accuracy.
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 | 0,040 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,058 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».