MRI-Based Radiomics Combined with Deep Learning for Distinguishing IDH-Mutant WHO Grade 4 Astrocytomas from IDH-Wild-Type Glioblastomas
Notice bibliographique
Résumé
This study aimed to investigate the potential of quantitative radiomic data extracted from conventional MR images in discriminating IDH-mutant grade 4 astrocytomas from IDH-wild-type glioblastomas (GBMs). A cohort of 57 treatment-naïve patients with IDH-mutant grade 4 astrocytomas (n = 23) and IDH-wild-type GBMs (n = 34) underwent anatomical imaging on a 3T MR system with standard parameters. Post-contrast T1-weighted and T2-FLAIR images were co-registered. A semi-automatic segmentation approach was used to generate regions of interest (ROIs) from different tissue components of neoplasms. A total of 1050 radiomic features were extracted from each image. The data were split randomly into training and testing sets. A deep learning-based data augmentation method (CTGAN) was implemented to synthesize 200 datasets from the training sets. A total of 18 classifiers were used to distinguish two genotypes of grade 4 astrocytomas. From generated data using 80% training set, the best discriminatory power was obtained from core tumor regions overlaid on post-contrast T1 using the K-best feature selection algorithm and a Gaussian naïve Bayes classifier (AUC = 0.93, accuracy = 0.92, sensitivity = 1, specificity = 0.86, PR_AUC = 0.92). Similarly, high diagnostic performances were obtained from original and generated data using 50% and 30% training sets. Our findings suggest that conventional MR imaging-based radiomic features combined with machine/deep learning methods may be valuable in discriminating IDH-mutant grade 4 astrocytomas from IDH-wild-type GBMs.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».