Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumours Molecular Subtype Identification Using MRI-based 3D Probability Distributions of Tumour Location
Notice bibliographique
Résumé
Purpose: Pediatric low-grade gliomas (pLGG) are the most common brain tumour in children, and the molecular diagnosis of pLGG enables targeted treatment. We use MRI-based Convolutional Neural Networks (CNNs) for molecular subtype identification of pLGG and augment the models using tumour location probability maps. Materials and Methods: MRI FLAIR sequences of 214 patients (110 male, mean age of 8.54 years, 143 BRAF fused and 71 BRAF V600E mutated pLGG tumours) from January 2000 to December 2018 were included in this retrospective REB-approved study. Tumour segmentations (volumes of interest—VOIs) were provided by a pediatric neuroradiology fellow and verified by a pediatric neuroradiologist. Patients were randomly split into development and test sets with an 80/20 ratio. The 3D binary VOI masks for each class in the development set were combined to derive the probability density functions of tumour location. Three pipelines for molecular diagnosis of pLGG were developed: location-based, CNN-based, and hybrid. The experiment was repeated 100 times each with different model initializations and data splits, and the Areas Under the Receiver Operating Characteristic Curve (AUROC) was calculated, and Student’s t -test was conducted. Results: The location-based classifier achieved an AUROC of 77.9, 95% confidence interval (CI) (76.8, 79.0). CNN-based classifiers achieved an AUROC of 86.1, 95% CI (85.0, 87.3), while the tumour-location-guided CNNs outperformed the other classifiers with an average AUROC of 88.64, 95% CI (87.6, 89.7), which was statistically significant ( P -value .0018). Conclusion: Incorporating tumour location probability maps into CNN models led to significant improvements for molecular subtype identification of pLGG.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».