Differentiating MYCN-amplified RB1 wild-type retinoblastoma from biallelic RB1 mutant retinoblastoma using MR-based radiomics: a retrospective multicenter case–control study
Notice bibliographique
Résumé
MYCN -amplified RB1 wild-type ( MYCN amp RB1 +/+ ) retinoblastoma is a rare and aggressive subtype, often resistant to standard therapies. Identifying unique MRI features is crucial for diagnosing this subtype, as biopsy is not recommended. This study aimed to differentiate MYCN amp RB1 +/+ from the most prevalent RB1 -/- retinoblastoma using pretreatment MRI and radiomics. Ninety-eight unilateral retinoblastoma patients (19 MYCN cases and 79 matched controls) were included. Tumors on T2-weighted MR images were manually delineated and validated by experienced radiologists. Radiomics analysis extracted 120 features per tumor. Several combinations of feature selection methods, oversampling techniques and machine learning (ML) classifiers were evaluated in a repeated fivefold cross-validation machine learning pipeline to yield the best-performing prediction model for MYCN . The best model used univariate feature selection, data oversampling (duplicating MYCN cases), and logistic regression classifier, achieving a mean AUC of 0.78 (SD 0.12). SHAP analysis highlighted lower sphericity , higher flatness , and greater gray-level heterogeneity as predictive for MYCN amp RB1 +/+ status, yielding an AUC of 0.81 (SD 0.11). This study shows the potential of MRI-based radiomics to distinguish MYCN amp RB1 +/+ and RB1 -/- retinoblastoma subtypes.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».