Meningioma grading via diagnostic imaging: A systematic review and meta-analysis
Notice bibliographique
Résumé
PURPOSE: Meningioma is the most common intracranial tumor, graded on pathology using WHO criteria to predict tumor course and treatment. However, pathological grading via biopsy may not be possible in cases with poor surgical access due to tumor location. Therefore, our systematic review aims to evaluate whether diagnostic imaging features can differentiate high grade (HG) from low grade (LG) meningiomas as an alternative to pathological grading. METHODS: Three databases were searched for primary studies that either use routine magnetic resonance imaging (MRI) or computed tomography (CT) to assess pathologically WHO-graded meningiomas. Two investigators independently screened and extracted data from included studies. RESULTS: 24 studies met our inclusion criteria with 12 significant (p < 0.05) CT and MRI features identified for differentiating HG from LG meningiomas. Cystic changes in the tumor had the highest specificity (93.4%) and irregular tumor-brain interface had the highest positive predictive value (65.0%). Mass effect had the highest sensitivity (81.0%) and negative predictive value (90.7%) of all imaging features. Imaging feature with the highest accuracy for identifying HG disease was irregular tumor-brain interface (79.7%). Irregular tumor-brain interface and heterogenous tumor enhancement had the highest AUC values of 0.788 and 0.703, respectively. CONCLUSION: Our systematic review highlight imaging features that can help differentiate HG from LG meningiomas.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,004 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».