Brain Tumour Classification by Machine Learning Applications with Selected Biological Features: Towards A Newer Diagnostic Regime
Notice bibliographique
Résumé
Histopathologically classified low-grade brain tumours show overlapping biological characteristics making them difficult to distinguish. In the present study low-grade brain tumour patient samples of three different histopathological types have been trained through machine learning technique using selected features for its classification. We used specifically the fundamental proliferation, invasion, macrophage infiltration triangle of cancer hallmark with propidium iodide (PI) marked cell-cycle, Ki67 marked proliferative indexing, invasion with MMP2 expression and presence of macrophage/microglia by silver-gold staining, CD11b+ and Iba1+ cell presence as biological parameters. These parameters when trained with proper machine learning protocol through extraction of underling features and represented in a 2D perceivable space are found capable of distinguishing the tumour types. Extracted features from such parameters in a six-dimensional featured space were trained through statistical learning theory while support vector machine (SVM) maximizes their predictive precision. The leave one out (LOO) cross validation process was applied to judge the accuracy of training followed by auto-encoder (AE) to reduce feature dimension at two which is visually perceptible. From the biological features quantified with standard methods it was found impossible to demarcate the three types of low grade brain tumours. However, after training through SVM and LOO cross validation when the six-dimensional featured space had been reduced into two-dimension using AE, the combined output of the features showed clear zonation in that 2D space. This indicates that the overlapping biological characteristics of these tumour types, when trained through proper support vector machine and reduced from multiple to two dimensional space provides a clear patho-clinical classification edge using a combination of common biological features. Hence, machine learning applications may potentially be used as a complementary diagnostic protocol with the conventional practice.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 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 ».