P.115 Diagnostic performance of machine learning based MR algorithm vs conventional MR images for predicting the likelihood of brain tumors
Notice bibliographique
Résumé
Background: MRI forms an imperative part of the diagnostic and treatment protocol for primary brain tumors and metastasis. Though conventional T1W MRI forms the basis for diagnosis at present, it faces several limitations. Machine learning (ML) algorithms require less expertise and provide better diagnostic accuracy. Methods: A systematic review of PubMed, Google Scholar, and Cochrane databases along with registries through 1980-2021 was done. Original articles in English evaluating Conventional MRI or ML algorithms. Data was extracted by 2 reviewers and meta-analysis was performed using bivariate regression model. Results: The study protocol was registered under PROSPERO. Twelve studies with 1247 participants were included for systematic analysis and three studies for meta-analysis. ML algorithms had better aggregate sensitivity and specificity (80%, 83.14%) than Conventional MRI (81.84%, 74.78%).The pooled sensitivity, specificity, DOR for the studies were 0.926 (95% CI, 0.840-0.926), 0.991 (95% CI, 0.955-0.998) and 1446.946 (312.634-6692.646) with AUC=0.904 under HSROC. On subgroup analysis, MRS and Random Forest Model had highest sensitivity and specificity (100%,100%;100%,100%), DSC MRI and Deep Neural Network had highest AUC (0.98,0.986). Conclusions: ML algorithm has superior diagnostic performance and faster diagnostic capability once trained than conventional imaging for brain tumors. It has immense potential to be the standard of care in the future.
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 | 0,008 | 0,054 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,010 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,003 |
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 ».