Shuffle-ResNet: Deep learning for predicting LGG IDH1 mutation from multicenter anatomical MRI sequences
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».