Integration of Radiomic and Multi-omic Analyses Predicts Survival of Newly Diagnosed IDH1 Wild-Type Glioblastoma
Notice bibliographique
Résumé
Predictors of patient outcome derived from gene methylation, mutation, or expression are severely limited in IDH1 wild-type glioblastoma (GBM). Radiomics offers an alternative insight into tumor characteristics which can provide complementary information for predictive models. The study aimed to evaluate whether predictive models which integrate radiomic, gene, and clinical (multi-omic) features together offer an increased capacity to predict patient outcome. A dataset comprising 200 IDH1 wild-type GBM patients, derived from The Cancer Imaging Archive (TCIA) (n = 71) and the McGill University Health Centre (n = 129), was used in this study. Radiomic features (n = 45) were extracted from tumor volumes then correlated to biological variables and clinical outcomes. By performing 10-fold cross-validation (n = 200) and utilizing independent training/testing datasets (n = 100/100), an integrative model was derived from multi-omic features and evaluated for predictive strength. Integrative models using a limited panel of radiomic (sum of squares variance, large zone/low gray emphasis, autocorrelation), clinical (therapy type, age), genetic (CIC, PIK3R1, FUBP1) and protein expression (p53, vimentin) yielded a maximal AUC of 78.24% (p = 2.9 × 10−5). We posit that multi-omic models using the limited set of ‘omic’ features outlined above can improve capacity to predict the outcome for IDH1 wild-type GBM patients.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».