Radiomic assessment of the progression of acoustic neuroma after gamma knife stereotactic radiosurgery
Notice bibliographique
Résumé
Introduction: The aim of this study was to determine whether radiomic features measured at baseline in Magnetic Resonance images (MRI) of acoustic neuromas (AN) can predict Gamma Knife (GK) treatment outcome.Methods: The study was conducted on pre- and post-GK MRI-T2 scans of 32 patients with AN who underwent stereotactic radiosurgery (SRS) for 12 Gy dose. Radiomic features extracted include Intensity, Fractals, Laplacian of Gaussian and textural Co-Occurrence, Run-length (RL), Size Zone, and Neighborhood Gray-Tone Difference matrices (NGTDM) features. Subjects were classified as treatment failures (TF) if tumor volume increased > 10%. Pre- and post-SRS audiology reports were utilized in hearing evaluation.Results: Fifteen subjects (47%) qualified as TFs. In univariate receiver operating characteristic (ROC) analysis, two radiomicfeatures, complexity in NGTDM and run percentage in RL, displayed areas under curves of > 0.65.Conclusion: This initial radiomic study establishes features that illustrates the prognostic ability of the SRS treatment in acousticneuroma. Hearing preservation was achieved in a majority of acoustic neuroma patients treated in Gamma Knife.
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) | 0,001 | 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 ».