INNV-24. MACHINE LEARNING-BASED SPECTROSCOPIC TISSUE DIFFERENTIATION IN FLUORESCENCE-GUIDED NEUROSURGERY
Notice bibliographique
Résumé
Abstract Maximal resection of malignant gliomas is hindered by difficulty in distinguishing tumor margins. Fluorescence-guided resection with 5-ALA assists in reaching this goal. Previously, we characterized five fluorophore emissions that accurately represent any spectrum measured from human brain tumor biopsies with a wide-field hyperspectral device. In this study, the effectiveness of these five spectra was explored for different tumor classification tasks in 891 hyperspectral widefield measurements of 184 patients harboring low- (n=30) and high-grade gliomas (n=115), non-glial primary brain tumors (n=19), radiation necrosis (n=2), miscellaneous (n=10) and metastases (n=8), which corresponds to up to 15000 spectra for a given test. The statistical differences in fluorophore abundances between classes were determined and visualized using dimensionality reduction techniques, including principal component analysis (PCA) and t-distributed stochastic neighbor embedding (t-SNE). Three machine-learning models were trained to classify tumor type (12 classes), grade (3 classes), and glioma margins (3 classes). Five algorithms were tested with varying hyperparameters for each classification task. We explored whether PCA projection onto five different axes than fluorophore abundances can provide more information for visualization and classification. The abundances of the five a priori fluorophore spectra matched or outperformed the five optimal PCA components for all classification tasks. These five axes capture 96-99% of the variance in the dataset. Using random forests and multilayer perceptrons, the classifiers achieved average test accuracies of 74-82%, 79%, and 81%, respectively. All five fluorophore abundances varied between tumor margin type as well as between grades (p < 0.01). For tissue type, at least four of five fluorophore abundances were found to be significantly different (p < 0.01) between all classes. These results demonstrate the differing contribution of fluorophores in different tissue classes tissue, as well as the five fluorophores value as potential optical biomarkers, opening new opportunities for intraoperative classification systems in fluorescence-guided neurosurgery.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».