Demystifying neuroblastoma malignancy through fractal dimension, entropy, and lacunarity
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
Purpose: Neuroblastoma is a pediatric solid tumor with a prognosis associated with histology and age of the patient, which are the parameters of the well-established current classification (Shimada classification). Despite the development of new treatment options, the prognosis of high-risk neuroblastoma patients is still poor. Therefore, there is a continuous need to stratify the children suffering from this tumor. A mathematical and computational approach is proposed to enable automatic and precise cancer diagnosis on the histological slide. Methods: We targeted the complexity of neuroblastoma by calculating its image entropy ( S), fractal dimension (FD), and lacunarity (λ) in a combined mathematical code. First, we tested the proposed method for patient-derived glioma images. It allowed distinguishing between normal brain tissue, grade II, and grade III glioma, which harbor different outcomes. Results: In neuroblastoma, our analysis of image’s FD, S, and λ combined with a machine learning algorithm automatically predicted tumor malignancy with a receiver operating characteristic curve of 0.82. FD, S, and λ distinguish between neuroblastoma and ganglioneuroma, but they only partially differentiate between the normal samples and the other classes. Ganglioneuroma, the most differentiated form, and poorly-differentiated neuroblastoma display different values of FD, S, and λ. Conclusions: FD, S, and λ of imaging recognize groups in neuroblastic tumors. We suggest that future studies including these features may challenge the current Shimada classification of neuroblastoma with categories of favorable and unfavorable histology. It is expected that this methodology could trigger multicenter studies and potentially find practical use in the clinical setting of children’s hospitals worldwide.
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