Radiomics Can Distinguish Pediatric Supratentorial Embryonal Tumors, High-Grade Gliomas, and Ependymomas
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Pediatric supratentorial tumors such as embryonal tumors, high-grade gliomas, and ependymomas are difficult to distinguish by histopathology and imaging because of overlapping features. We applied machine learning to uncover MR imaging-based radiomics phenotypes that can differentiate these tumor types. MATERIALS AND METHODS: Our retrospective cohort of 231 patients from 7 participating institutions had 50 embryonal tumors, 127 high-grade gliomas, and 54 ependymomas. For each tumor volume, we extracted 900 Image Biomarker Standardization Initiative-based PyRadiomics features from T2-weighted and gadolinium-enhanced T1-weighted images. A reduced feature set was obtained by sparse regression analysis and was used as input for 6 candidate classifier models. Training and test sets were randomly allocated from the total cohort in a 75:25 ratio. RESULTS: The final classifier model for embryonal tumor-versus-high-grade gliomas identified 23 features with an area under the curve of 0.98; the sensitivity, specificity, positive predictive value, negative predictive value, and accuracy were 0.85, 0.91, 0.79, 0.94, and 0.89, respectively. The classifier for embryonal tumor-versus-ependymomas identified 4 features with an area under the curve of 0.82; the sensitivity, specificity, positive predictive value, negative predictive value, and accuracy were 0.93, 0.69, 0.76, 0.90, and 0.81, respectively. The classifier for high-grade gliomas-versus-ependymomas identified 35 features with an area under the curve of 0.96; the sensitivity, specificity, positive predictive value, negative predictive value, and accuracy were 0.82, 0.94, 0.82, 0.94, and 0.91, respectively. CONCLUSIONS: In this multi-institutional study, we identified distinct radiomic phenotypes that distinguish pediatric supratentorial tumors, high-grade gliomas, and ependymomas with high accuracy. Incorporation of this technique in diagnostic algorithms can improve diagnosis, risk stratification, and treatment 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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».