AI tool for predicting MGMT methylation in glioblastoma for clinical decision support in resource limited settings
Notice bibliographique
Résumé
Glioblastoma is an aggressive brain cancer with a poor prognosis. The O6-methylguanine-DNA methyltransferase (MGMT) gene methylation status is crucial for treatment stratification, yet economic constraints often limit access. This study aims to develop an artificial intelligence (AI) framework for predicting MGMT methylation. Diagnostic magnetic resonance (MR) images in public repositories were used for training. The algorithm created was validated in data from a single institution. All images were segmented according to widely used guidelines for radiotherapy planning and combined with clinical evaluations from neuroradiology experts. Radiomic features and clinical impressions were extracted, tabulated, and used for modeling. Feature selection methods were used to identify relevant phenotypes. A total of 100 patients were used for training and 46 for validation. A total of 343 features were extracted. Eight feature selection methods produced seven independent predictive frameworks. The top-performing ML model was a model post-Least Absolute Shrinkage and Selection Operator (LASSO) feature selection reaching accuracy (ACC) of 0.82, an area under the curve (AUC) of 0.81, a recall of 0.75, and a precision of 0.75. This study demonstrates that integrating clinical and radiotherapy-derived AI-driven phenotypes can predict MGMT methylation. The framework addresses constraints that limit molecular diagnosis access.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».