Automated Lymph Node and Extranodal Extension Assessment Improves Risk Stratification in Oropharyngeal Carcinoma
Notice bibliographique
Résumé
PURPOSE Extranodal extension (ENE) is a biomarker in oropharyngeal carcinoma (OPC) but can only be diagnosed via surgical pathology. We applied an automated artificial intelligence (AI) imaging platform integrating lymph node autosegmentation with ENE prediction to determine the prognostic value of the number of predicted ENE nodes. MATERIALS AND METHODS We conducted a multisite, retrospective study of 1,733 OPC patients with pretreatment computed tomography who underwent definitive radiation therapy across three institutions. Malignant lymph nodes were segmented using a validated deep learning auto-segmentation model, and segmented lymph nodes were sequentially processed with a validated ENE prediction model to calculate number of nodes with AI-predicted ENE (AI-ENE) per patient. We evaluated associations of AI-ENE with disease outcomes using site-stratified, multivariable Cox regression, adjusting for human papillomavirus (HPV) status, smoking pack-years, tumor and nodal stage, age, and sex. We evaluated risk-stratification improvement when incorporating AI-ENE into the Radiation Therapy Oncology Group (RTOG)-0129 risk groupings and derived American Joint Committee on Cancer (AJCC) 8th edition staging with Uno C-indices and decision curve analyses. RESULTS Overall, median AI-ENE node number was 1 (range, 0-6). AI-ENE node number was independently associated with poorer distant control (DC; hazard ratio [HR], 1.44 [95% CI, 1.23 to 1.69]; P < .001) and overall survival (OS; HR, 1.30 [95% CI, 1.16 to 1.46]; P < .001). Increasing AI-ENE node number was incrementally associated with worse outcome, particularly DC ( P < .001). C-indices improved in the external data set when incorporating AI-ENE into RTOG-0129 groupings (OS: 0.70 v 0.65; DC: 0.65 v 0.57) and AJCC-8 stage (OS: 0.75 v 0.70; DC: 0.72 v 0.67; P < .001 for each). The largest improvements were observed among HPV-negative patients (C-index: +15% for OS, +14% for DC). CONCLUSION Automated, AI-ENE node number is a novel risk factor for OPC that may better inform pretreatment risk stratification and decision-making.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».