Quantitative Physiologic MRI Combined with Feature Engineering for Developing Machine Learning-Based Prediction Models to Distinguish Glioblastomas from Single Brain Metastases
Notice bibliographique
Résumé
Background: The accurate and early distinction of glioblastomas (GBMs) from single brain metastases (BMs) provides a window of opportunity for reframing treatment strategies enabling optimal and timely therapeutic interventions. We sought to leverage physiologically sensitive parameters derived from diffusion tensor imaging (DTI) and dynamic susceptibility contrast (DSC)–perfusion-weighted imaging (PWI) along with machine learning-based methods to distinguish GBMs from single BMs. Methods: Patients with histopathology-confirmed GBMs (n = 62) and BMs (n = 26) and exhibiting contrast-enhancing regions (CERs) underwent 3T anatomical imaging, DTI and DSC-PWI prior to treatment. Median values of mean diffusivity (MD), fractional anisotropy, linear, planar and spheric anisotropic coefficients, and relative cerebral blood volume (rCBV) and maximum rCBV values were measured from CERs and immediate peritumor regions. Data normalization and scaling were performed. In the next step, most relevant features were extracted (non-interacting features), which were subsequently used to generate a set of new, innovative, high-order features (interacting features) using a feature engineering method. Finally, 10 machine learning classifiers were employed in distinguishing GBMs and BMs. Cross-validation and receiver operating characteristic (ROC) curve analyses were performed to determine the diagnostic performance. Results: A random forest classifier with ANOVA F-value feature selection algorithm using both interacting and non-interacting features provided the best diagnostic performance in distinguishing GBMs from BMs with an area under the ROC curve of 92.67%, a classification accuracy of 87.8%, a sensitivity of 73.64% and a specificity of 97.5%. Conclusions: A machine learning based approach involving the combined use of interacting and non-interacting physiological MRI parameters shows promise to differentiate between GBMs and BMs with high accuracy.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».