A Radiomic Model for Gliomas Grade and Patient Survival Prediction
Notice bibliographique
Résumé
Brain tumors are among the most common malignant tumors of the central nervous system, with high mortality and recurrence rates. Radiomics extracts quantitative features from medical images, converting them into predictive biomarkers for tumor diagnosis, prognosis, and survival analysis. Despite the invasiveness and heterogeneity of brain tumors, even with timely treatment, the overall survival time or survival probability is not necessarily favorable. Therefore, accurate prediction of brain tumor grade and survival outcomes is important for personalized treatment. In this study, we propose a radiomic model for the non-invasive prediction of brain tumor grade and patient survival outcomes. We used four magnetic resonance imaging (MRI) sequences from 159 patients with glioma. Four classifiers were employed based on whether feature selection was applied. The features were derived from regions of interest identified and corrected either manually or automatically. The extreme gradient boosting (XGB) model with 3860 radiomic features achieved the highest classification performance, with an AUC of 98.20%, in distinguishing LGG from GBM images using manually corrected labels. Similarly, the Random Forest (RF) model exhibits the best discrimination between short-term and long-term survival groups with a p-value < 0.0003, a hazard ratio (HR) value of 3.24, and a 95% confidence interval (CI) of 1.63–4.43 based on the ICC features. The experimental findings demonstrate strong classification accuracy and effectively predict survival outcomes in glioma patients.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».