Interpretable deep learning model for distinguishing tumor pseudoprogression from true progression using MRI imaging of glioblastoma patients
Notice bibliographique
Résumé
Glioblastoma multiforme (GBM) are extremely invasive cancers. The treatment of GBM involves microsurgical resection followed by radiochemotherapy and chemotherapy. As a response to radiation treatment, in many cases, a new or a progressing lesion is observed in imaging studies which resolves without additional treatment. This phenomenon is called pseudoprogression (PsP). In contrast to PsP, a True Progression (TP) represents an enlarging lesion that requires a change in the treatment. Distinguishing between PsP and TP is thus central to treatment choice and clinical management. However, both types of progression present themselves with overlapping characteristics in imaging as assessed by radiologists. An automated machine learning method that can learn to discover distinctive markers to reliably differentiate between the two situations will thus be an effective prognostic tool in the clinical management of GBM. In this paper we present a 3D convolutional neural network (CNN) trained on 3D MRI images from 114 GBM patients to classify PsP and TP. Using a 5-fold cross validation strategy, we report multiple metrics by evaluating the model performance on left-out MRI image volumes not used during training. Specifically, our trained model performs with: AUCROC: 0.74, Peak geometric mean of specificity and sensitivity: 0.69, Brier Score: 0.22, Scaled Brier Score: 0.04. We also present decision curve analysis for our model. Prior works on this topic have reported only AUCROC. For model interpretability, we have used the technique GradCAM to discover and visualize the most salient regions in the MRI volume that are used by the CNN for making the decision. Our results show the neural network paying more attention to the lesion and peri-tumoral regions. These findings suggest further investigation of deep learning models trained on larger imaging datasets to build more robust and generalizable models for distinguishing between PsP and TP.
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 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».