Machine Assist for Pediatric Posterior Fossa Tumor Diagnosis: A Multinational Study
Notice bibliographique
Résumé
BACKGROUND: Clinicians and machine classifiers reliably diagnose pilocytic astrocytoma (PA) on magnetic resonance imaging (MRI) but less accurately distinguish medulloblastoma (MB) from ependymoma (EP). One strategy is to first rule out the most identifiable diagnosis. OBJECTIVE: To hypothesize a sequential machine-learning classifier could improve diagnostic performance by mimicking a clinician's strategy of excluding PA before distinguishing MB from EP. METHODS: We extracted 1800 total Image Biomarker Standardization Initiative (IBSI)-based features from T2- and gadolinium-enhanced T1-weighted images in a multinational cohort of 274 MB, 156 PA, and 97 EP. We designed a 2-step sequential classifier - first ruling out PA, and next distinguishing MB from EP. For each step, we selected the best performing model from 6-candidate classifier using a reduced feature set, and measured performance on a holdout test set with the microaveraged F1 score. RESULTS: Optimal diagnostic performance was achieved using 2 decision steps, each with its own distinct imaging features and classifier method. A 3-way logistic regression classifier first distinguished PA from non-PA, with T2 uniformity and T1 contrast as the most relevant IBSI features (F1 score 0.8809). A 2-way neural net classifier next distinguished MB from EP, with T2 sphericity and T1 flatness as most relevant (F1 score 0.9189). The combined, sequential classifier was with F1 score 0.9179. CONCLUSION: An MRI-based sequential machine-learning classifiers offer high-performance prediction of pediatric posterior fossa tumors across a large, multinational cohort. Optimization of this model with demographic, clinical, imaging, and molecular predictors could provide significant advantages for family counseling and surgical planning.
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 | 0,006 | 0,016 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».