IMG-13. MRI-BASED RADIOMICS PROGNOSTIC MARKERS OF POSTERIOR FOSSA EPENDYMOMA
Notice bibliographique
Résumé
Abstract PURPOSE Posterior fossa ependymomas (PFE) are common pediatric brain tumors often assessed with MRI before surgery. Advanced radiomic analysis show promise in stratifying risk and outcome in other pediatric brain tumors. Here, we extracted high-dimensional MRI features to identify prognostic, image-based, radiomics markers of PFE and compared its performance to clinical variables. METHODS 93 children from five centers (median age=3.3yrs; 59 males; mean PFS=50mos) were included. Tumor volumes were manually contoured on T1-post contrast and T2-weighted MRI for PyRadiomics feature extraction. Features include first-order statistics, size, shape, and texture metrics calculated on the original, log-sigma, and wavelet transformed images. Progression free survival (PFS) served as outcome. 10-fold cross-validation of a LASSO Cox regression was used to predict PFS. Model performance was analyzed and concordance metric (C) was determined using clinical variable (age at diagnosis and sex) only, radiomics only, and radiomics plus clinical variable. RESULTS Six radiomic features were selected (all T1): 1 first-order kurtosis (log-sigma) and 5 texture features (3 wavelet, 2 original). This model demonstrated significantly higher performance than a clinical model alone (C: 0.69 vs 0.58, p<0.001). Adding clinical features to the radiomic features didn’t improve prediction (p=0.67). For patients with molecular subtyping (n=48), adding this feature to the clinical plus radiomics models significantly improved performance over clinical features alone (C = 0.79 vs. 0.66, p=0.02). Further validation and model refinement with additional datasets are ongoing. CONCLUSION Our pilot study shows potential role for MRI-based radiomics and machine learning for PFE risk stratification and as radiographic biomarkers.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».