AT-19SYSTEMATIC RADIOLOGICAL PHENOTYPING OF ATYPICAL TERATOID RHABDOID TUMOURS USING LANGUAGE MODELLED MACHINE LEARNING APPROACHES
Notice bibliographique
Résumé
BACKGROUND: Despite multiparametric MRI, uncertainty remains in the radiological phenotyping of intracranial tumours and their specific molecular subtype. We introduce a systematic, reproducible, descriptive imaging model that integrates MRI imaging metrics into one data repository. This dataset underpins a radiological decision support system (DSS) that informs on radiological phenotyping of childhood intracranial tumours and, we propose, informs on their underlying biological makeup. METHODS: Using atypical teratoid rhabdoid tumours (ATRTs) as a test case, a language based systematic analysis and scoring system modelled the imaging phenotype and was correlated with published transcriptional ATRT sub-grouping for each case. Machine learning techniques were employed to drive a classification DSS. RESULTS: In total 35 tumours were analysed of which 46% were male with an age range of 0.14 - 15.6 years. There were 16 supratentorial, 18 infratentorial and 1 spinal tumour. The descriptive model contained 30 major attributes which accommodated 127 variables giving just under 1 million variable permutations per patient. Multiple machine learning approaches were then employed for stratification into ASCL1 positive and negative subtypes. These techniques included neural networks, decision tree stratification, support vector machine analysis and Bayesian networks. CONCLUSIONS: This study presents the first systematic descriptive model of ATRTs integrating any radiological metric to drive a DSS for phenotyping the biological subset of the tumour type. Validation will require the analysis of larger numbers of scans from patients with tumours of known and unknown phenotype. These systems have significant potential as diagnostic and decision making clinical aids.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 tête enseignante, 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 ».