Network-level prediction of set-shifting deterioration after lower-grade glioma resection
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to predict set-shifting deterioration after resection of low-grade glioma. METHODS: The authors retrospectively analyzed a bicentric series of 102 patients who underwent surgery for low-grade glioma. The difference between the completion times of the Trail Making Test parts B and A (TMT B-A) was evaluated preoperatively and 3-4 months after surgery. High dimensionality of the information related to the surgical cavity topography was reduced to a small set of predictors in four different ways: 1) overlap between surgical cavity and each of the 122 cortical parcels composing Yeo's 17-network parcellation of the brain; 2) Tractotron: disconnection by the cavity of the major white matter bundles; 3) overlap between the surgical cavity and each of Yeo's networks; and 4) disconets: signature of structural disconnection by the cavity of each of Yeo's networks. A random forest algorithm was implemented to predict the postoperative change in the TMT B-A z-score. RESULTS: The last two network-based approaches yielded significant accuracies in left-out subjects (area under the receiver operating characteristic curve [AUC] approximately equal to 0.8, p approximately equal to 0.001) and outperformed the two alternatives. In single tree hierarchical models, the degree of damage to Yeo corticocortical network 12 (CC 12) was a critical node: patients with damage to CC 12 higher than 7.5% (cortical overlap) or 7.2% (disconets) had much higher risk to deteriorate, establishing for the first time a causal link between damage to this network and impaired set-shifting. CONCLUSIONS: The authors' results give strong support to the idea that network-level approaches are a powerful way to address the lesion-symptom mapping problem, enabling machine learning-powered individual outcome predictions.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».