Predicting Survival in Patients with Glioblastoma Using MRI Radiomic Features Extracted from Radiation Planning Volumes
Notice bibliographique
Résumé
Abstract Background: Quantitative image analysis using pre-operative magnetic resonance imaging (MRI) has been able to predict survival in patients with glioblastoma (GBM). The study explored the role of postoperative radiation (RT) planning MRI-based radiomics to predict the outcomes, with features extracted from the gross tumor volume (GTV) and clinical target volume (CTV). Methods: Patients with IDH-wildtype GBM treated with adjuvant RT having MRI as a part of RT planning process were included in the study. 546 features were extracted from each GTV and CTV. A LASSO Cox model was applied, and internal validation was performed using leave-one-out cross-validation with overall survival as endpoint. Cross-validated time-dependent area under curve (AUC) was constructed to test the efficacy of the radiomics model, and clinical features were used to generate a combined model. Analysis was done for the entire group and in individual surgical groups-gross total excision (GTR), subtotal resection (STR), and biopsy. Results: 235 patients were included in the study with 57, 118, and 60 in the GTR, STR, and biopsy subgroup, respectively. Using the radiomics model, binary risk groups were feasible in the entire cohort (p<0.01) and biopsy group (p=0.04), but not in the other 2 surgical groups individually. The integrated AUC (iAUC) was 0.613 for radiomics-based classification in the biopsy subgroup, which improved to 0.632 with the inclusion of clinical features. Conclusion: Imaging features extracted from the GTV and CTV regions can lead to risk-stratification of GBM undergoing biopsy, while it was redundant for patients with GTR and STR.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».