Artificial intelligence and omics in malignant gliomas
Notice bibliographique
Résumé
Glioblastoma multiforme (GBM) is one of the most common and aggressive type of malignant glioma with an average survival time of 12-18 mo. Despite the utilization of extensive surgical resections using cutting-edge neuroimaging, and advanced chemotherapy and radiotherapy, the prognosis remains unfavorable. The heterogeneity of GBM and the presence of the blood-brain barrier further complicate the therapeutic process. It is crucial to adopt a multifaceted approach in GBM research to understand its biology and advance toward effective treatments. In particular, omics research, which primarily includes genomics, transcriptomics, proteomics, and epigenomics, helps us understand how GBM develops, finds biomarkers, and discovers new therapeutic targets. The availability of large-scale multiomics data requires the development of computational models to infer valuable biological insights for the implementation of precision medicine. Artificial intelligence (AI) refers to a host of computational algorithms that is becoming a major tool capable of integrating large omics databases. Although the application of AI tools in GBM-omics is currently in its early stages, a thorough exploration of AI utilization to uncover different aspects of GBM (subtype classification, prognosis, and survival) would have a significant impact on both researchers and clinicians. Here, we aim to review and provide database resources of different AI-based techniques that have been used to study GBM pathogenesis using multiomics data over the past decade. We summarize different types of GBM-related omics resources that can be used to develop AI models. Furthermore, we explore various AI tools that have been developed using either individual or integrated multiomics data, highlighting their applications and limitations in the context of advancing GBM research and treatment.
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) | 0,002 | 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 | 0,001 |
| 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 ».