Review of Template-Based Neuroimaging Tools in Neuro-Oncology: Novel Insights
Notice bibliographique
Résumé
Background: A common MRI reference space allows for easy communication of findings, and has led to high-impact discoveries in neuroscience. Brain MRI of neuro-oncology patients with mass lesions or surgical cavities can now be accurately transformed into reference space, allowing for a reliable comparison across patients. Despite this, it is currently seldom used in neuro-oncology, leaving analytic tools untapped. The aim of this study was to systematically review the neuro-oncology literature utilizing reference space. Methods: A systematic review of the neuro-oncology publications was conducted according to PRISMA statement guidelines. Studies specially reporting the use of the Montreal Neurological Institute (MNI) reference space were included. Studies were categorized according to their type of input data and their contributions to the field. A sub-analysis focusing on connectomics and transcriptomics was also included. Results: We identified only 101 articles that utilized the MNI brain in neuro-oncology research. Tumor locations (n = 77) and direct electrocortical stimulation (n = 19) were the most common source of data. A majority of studies (n = 51) provided insights on clinical factors such as tumor subtype, growth progression, and prognosis. A small group of studies (n = 21) have used the novel connectomic and transcriptomic tools. Conclusions: Brain MRI of neuro-oncology patients can be accurately transformed to MNI space. This has contributed to enhance our understanding of a wide variety of clinical questions ranging from tumor subtyping to symptom mapping. Many advanced tools such as connectomics and transcriptomics remain relatively untapped, thereby hindering our knowledge of neuro-oncology.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».