NIMG-36. AUTOMATIC STRATIFICATION OF ENHANCING AND NON-ENHANCING GLIOMAS INTO GENETIC SUBTYPES USING DEEP NEURAL NETWORKS AND DIFFUSION-WEIGHTED IMAGING
Notice bibliographique
Résumé
Abstract INTRODUCTION Current WHO guidelines emphasize classification of diffuse gliomas by genetic alterations into three subgroups: 1) IDH-wildtype; 2) IDH-mutant, 1p/19q-codeleted; and 3) IDH-mutant, 1p/19q-non-codeleted. Non-invasive genetic characterization can benefit patients with inoperable lesions or who are administered molecularly-targeted therapy before surgery. Prior studies that use anatomical images and convolutional neural networks (CNNs) to distinguish either IDH-mutant from IDH-wildtype tumors, or 1p/19q-codeleted from non-codeleted tumors have resulted in misclassification of nonenhancing IDH-wildtype and enhancing IDH-mutant tumors. This study investigated the benefit of a priori separation of enhancing from nonenhancing lesions and the inclusion of ADC maps from diffusion MRI to genetic subgroup classification. METHODS 3D T2-weighted, T2-FLAIR, and post-contrast T1-weighted images were acquired preoperatively from 254 patients with newly-diagnosed gliomas. IDH1R132H mutations[VJ1] [CJ2], 1p19q-codeletions, ATRX alterations, and p53 mutations were assessed from the resected tissue to determine subtype stratification: IDH-wildtype (n=95), IDH-mutant, 1p/19q-codeleted (n=62), and IDH-mutant, non-codeleted (n=97). 3-channel input images were constructed for each patient using T2-FLAIR, T1-post-contrast, and either T2-weighted or ADC images. Three VGG-16 CNNs pre-trained on ImageNet were re-trained for: 1) lesions without enhancement, 2) enhancing lesions, and 3) all lesions together[VJ3]. RESULTS A network trained on only enhancing lesions predicted the IDH-wildtype subtype with the highest class accuracy (ADC 94%, T2-weighted 100%) compared to using all lesions combined (ADC 90%, T2-weighted 90%). Models trained using non-enhancing lesions and ADC yielded the highest accuracy classifying 1p/19q-codeleted/non-codeleted subgroups (87%/90% for the non-enhancing network vs 83%/81% for combined network). CONCLUSIONS Our results support a strategy that first considers whether a lesion is enhancing when predicting molecular subgroup and includes ADC if the lesion is non-enhancing. Analysis is underway to test this model framework on independent TCIA data.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,005 |
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 ».