MRI Radiogenomics of Pediatric Medulloblastoma: A Multicenter Study
Notice bibliographique
Résumé
Background Radiogenomics of pediatric medulloblastoma (MB) offers an opportunity for MB risk stratification, which may aid therapeutic decision making, family counseling, and selection of patient groups suitable for targeted genetic analysis. Purpose To develop machine learning strategies that identify the four clinically significant MB molecular subgroups. Materials and Methods In this retrospective study, consecutive pediatric patients with newly diagnosed MB at MRI at 12 international pediatric sites between July 1997 and May 2020 were identified. There were 1800 features extracted from T2- and contrast-enhanced T1-weighted preoperative MRI scans. A two-stage sequential classifier was designed—one that first identifies non-wingless (WNT) and non–sonic hedgehog (SHH) MB and then differentiates therapeutically relevant WNT from SHH. Further, a classifier that distinguishes high-risk group 3 from group 4 MB was developed. An independent, binary subgroup analysis was conducted to uncover radiomics features unique to infantile versus childhood SHH subgroups. The best-performing models from six candidate classifiers were selected, and performance was measured on holdout test sets. CIs were obtained by bootstrapping the test sets for 2000 random samples. Model accuracy score was compared with the no-information rate using the Wald test. Results The study cohort comprised 263 patients (mean age ± SD at diagnosis, 87 months ± 60; 166 boys). A two-stage classifier outperformed a single-stage multiclass classifier. The combined, sequential classifier achieved a microaveraged F1 score of 88% and a binary F1 score of 95% specifically for WNT. A group 3 versus group 4 classifier achieved an area under the receiver operating characteristic curve of 98%. Of the Image Biomarker Standardization Initiative features, texture and first-order intensity features were most contributory across the molecular subgroups. Conclusion An MRI-based machine learning decision path allowed identification of the four clinically relevant molecular pediatric medulloblastoma subgroups. © RSNA, 2022 Online supplemental material is available for this article. See also the editorial by Chaudhary and Bapuraj in this issue.
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 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».