Radiomic signatures of posterior fossa ependymoma: Molecular subgroups and risk profiles
Notice bibliographique
Résumé
BACKGROUND: The risk profile for posterior fossa ependymoma (EP) depends on surgical and molecular status [Group A (PFA) versus Group B (PFB)]. While subtotal tumor resection is known to confer worse prognosis, MRI-based EP risk-profiling is unexplored. We aimed to apply machine learning strategies to link MRI-based biomarkers of high-risk EP and also to distinguish PFA from PFB. METHODS: We extracted 1800 quantitative features from presurgical T2-weighted (T2-MRI) and gadolinium-enhanced T1-weighted (T1-MRI) imaging of 157 EP patients. We implemented nested cross-validation to identify features for risk score calculations and apply a Cox model for survival analysis. We conducted additional feature selection for PFA versus PFB and examined performance across three candidate classifiers. RESULTS: For all EP patients with GTR, we identified four T2-MRI-based features and stratified patients into high- and low-risk groups, with 5-year overall survival rates of 62% and 100%, respectively (P < .0001). Among presumed PFA patients with GTR, four T1-MRI and five T2-MRI features predicted divergence of high- and low-risk groups, with 5-year overall survival rates of 62.7% and 96.7%, respectively (P = .002). T1-MRI-based features showed the best performance distinguishing PFA from PFB with an AUC of 0.86. CONCLUSIONS: We present machine learning strategies to identify MRI phenotypes that distinguish PFA from PFB, as well as high- and low-risk PFA. We also describe quantitative image predictors of aggressive EP tumors that might assist risk-profiling after surgery. Future studies could examine translating radiomics as an adjunct to EP risk assessment when considering therapy strategies or trial candidacy.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».