Shuffle-ResNet: Deep learning for predicting LGG IDH1 mutation from multicenter anatomical MRI sequences
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Background and Purpose. The world health organization recommended to incorporate gene information such as isocitrate dehydrogenase 1 (IDH1) mutation status to improve prognosis, diagnosis, and treatment of the central nervous system tumors. We proposed our Shuffle Residual Network (Shuffle-ResNet) to predict IDH1 gene mutation status of the low grade glioma (LGG) tumors from multicenter anatomical magnetic resonance imaging (MRI) sequences including T2-w, T2-FLAIR, T1-w, and T1-Gd. Methods and Materials. We used 105 patient's dataset available in The Cancer Genome Atlas LGG project where we split them into training and testing datasets. We implemented a random image patch extractor to leverage tumor heterogeneity where about half a million image patches were extracted. RGB dataset were created from image concatenation. We used random channel-shuffle layer in the ResNet architecture to improve the generalization, and, also, a 3-fold cross validation to generalize the network's performance. The early stopping algorithm and learning rate scheduler were employed to automatically halt the training. Results. The early stopping algorithm terminated the training after 131, 106, and 96 epochs in fold 1, 2, and 3. The accuracy and area under the curve (AUC) of the validation dataset were 81.29% (95% CI (79.87, 82.72)) and 0.96 (95% CI (0.92, 0.98)) when we concatenated T2-FLAIR, T1-Gd, and T2-w to produce an RGB dataset. The accuracy and AUC values of the test dataset were 85.7% and 0.943. Conclusions. Our Shuffle-ResNet could predict IDH1 gene mutation status using multicenter MRI. However, its clinical application requires more investigation.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 découle