Quantitative assessment of the generalizability of a brain tumor Raman spectroscopy machine learning model to various tumor types including astrocytoma and oligodendroglioma
Notice bibliographique
Résumé
Significance: Maximal safe resection of brain tumors can be performed by neurosurgeons through the use of accurate and practical guidance tools that provide real-time information during surgery. Current established adjuvant intraoperative technologies include neuronavigation guidance, intraoperative imaging (MRI and ultrasound), and 5-ALA for fluorescence-guided surgery. Aim: We have developed intraoperative Raman spectroscopy as a real-time decision support system for neurosurgical guidance in brain tumors. Using a machine learning model, trained on data from a multicenter clinical study involving 67 patients, the device achieved diagnostic accuracies of 91% for glioblastoma, 97% for brain metastases, and 96% for meningiomas. Here, the aim is to assess the generalizability of a predictive model trained with data from this study to other types of brain tumors. Approach: A method was developed to assess the generalizability of the model, quantifying performance for tumors including astrocytoma, oligodendroglioma and ependymoma, pediatric glioblastoma, and classification of glioblastoma data acquired in the presence of 5-ALA induced fluorescence. Statistical analyses were conducted to assess the impact of vibrational bands beyond contributors identified in our previous research. Results: A machine learning brain tumor detection model showed a positive predictive value (PPV) of 70% for astrocytoma, 74% for oligodendroglioma, and 100% for ependymoma. Furthermore, the PPV was 100% in classifying spectra from a pediatric glioblastoma and 90% for detecting adult glioblastoma labeled with 5-ALA-induced fluorescence. Univariate statistical analyses applied to individual vibrational bands demonstrated that the inclusion of Raman biomarkers unexploited to date had the potential to improve detectability, setting the stage for future advances. Conclusions: Developing predictive models relying on the inelastic scattering contrast from a wider pool of Raman bands may improve detection accuracy for astrocytoma and oligodendroglioma. To do so, larger tumor datasets and a higher Raman photon signal-to-noise ratio may be required.
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 | 0,010 | 0,024 |
| 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 | 0,001 |
| 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 ».