Radiomic-Based Approaches in the Multi-metastatic Setting: a Quantitative Review
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
Background Radiomics traditionally focuses on analyzing a single lesion within a patient to extract tumor characteristics, yet this process may overlook inter-lesion heterogeneity, particularly in the multi-metastatic setting. There is currently no established method for combining radiomic features in such settings, leading to diverse approaches with varying strengths and limitations. Our quantitative review aims to illuminate these methodologies, assess their replicability, and guide future research toward establishing best practices, offering insights into the challenges of multi-lesion radiomic analysis across diverse datasets. Methods We conducted a comprehensive literature search to identify methods for integrating data from multiple lesions in radiomic analyses. We replicated these methods using either the author's code or by reconstructing them based on the information provided in the papers. Subsequently, we applied these identified methods to three distinct datasets, each depicting a different metastatic scenario. Results We compared ten mathematical methods for combining radiomic features across three distinct datasets, encompassing a total of 16,850 lesions in 3,930 patients. Performance of these methods was evaluated using the Cox proportional hazards model and benchmarked against univariable analysis of total tumor volume. We observed variable performance in methods across datasets. However, no single method consistently outperformed others across all datasets. Notably, while some methods surpassed total tumor volume analysis in certain datasets, others did not. Averaging methods showed higher median performance in patients with colorectal liver metastases, and in soft tissue sarcoma, concatenation of radiomic features from different lesions exhibited the highest median performance among tested methods. Conclusions Radiomic features can be effectively selected or combined to estimate patient-level outcomes in multi-metastatic patients, though the approach varies by metastatic setting. Our study fills a critical gap in radiomics research by examining the challenges of radiomic-based analysis in this setting. Through a comprehensive review and rigorous testing of different methods across diverse datasets representing unique metastatic scenarios, we provide valuable insights into effective radiomic analysis strategies.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,014 |
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