MétaCan
Menu
Retour à la cohorte
Enregistrement W4283756506 · doi:10.1177/08465371221109921

Radiomic Features Based on MRI Predict Progression-Free Survival in Pediatric Diffuse Midline Glioma/Diffuse Intrinsic Pontine Glioma

2022· article· en· W4283756506 sur OpenAlexaff
Matthias Wagner, Khashayar Namdar, Marc Napoleone, Nicolin Hainc, Afsaneh Amirabadi, Adriana Fonseca, Suzanne Laughlin, Manohar Shroff, Éric Bouffet, Cynthia Hawkins, Farzad Khalvati, Ute Bartels, Birgit Ertl‐Wagner

Notice bibliographique

RevueCanadian Association of Radiologists Journal · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiomics and Machine Learning in Medical Imaging
Établissements canadiensHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineConcordanceFluid-attenuated inversion recoveryGliomaProgression-free survivalRadiomicsBiopsyRadiologyMagnetic resonance imagingOncologyNuclear medicineInternal medicineOverall survival

Résumé

récupéré en direct d'OpenAlex

Purpose: Biopsy-based assessment of H3 K27 M status helps in predicting survival, but biopsy is usually limited to unusual presentations and clinical trials. We aimed to evaluate whether radiomics can serve as prognostic marker to stratify diffuse intrinsic pontine glioma (DIPG) subsets. Methods: In this retrospective study, diagnostic brain MRIs of children with DIPG were analyzed. Radiomic features were extracted from tumor segmentations and data were split into training/testing sets (80:20). A conditional survival forest model was applied to predict progression-free survival (PFS) using training data. The trained model was validated on the test data, and concordances were calculated for PFS. Experiments were repeated 100 times using randomized versions of the respective percentage of the training/test data. Results: A total of 89 patients were identified (48 females, 53.9%). Median age at time of diagnosis was 6.64 years (range: 1–16.9 years) and median PFS was 8 months (range: 1–84 months). Molecular data were available for 26 patients (29.2%) (1 wild type, 3 K27M-H3.1, 22 K27M-H3.3). Radiomic features of FLAIR and nonenhanced T1-weighted sequences were predictive of PFS. The best FLAIR radiomics model yielded a concordance of .87 [95% CI: .86–.88] at 4 months PFS. The best T1-weighted radiomics model yielded a concordance of .82 [95% CI: .8–.84] at 4 months PFS. The best combined FLAIR + T1-weighted radiomics model yielded a concordance of .74 [95% CI: .71–.77] at 3 months PFS. The predominant predictive radiomic feature matrix was gray-level size-zone. Conclusion: MRI-based radiomics may predict progression-free survival in pediatric diffuse midline glioma/diffuse intrinsic pontine glioma.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,258
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Association of Radiologists JournalMême sujetRadiomics and Machine Learning in Medical ImagingTravaux en français237 207