MultiCubeNet: Multitask deep learning for molecular subtyping and prognostic prediction in gliomas
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Background Gliomas, the most prevalent type of primary brain tumors, require precise molecular characterization for effective diagnosis and treatment. Despite advancements in radiomics, simultaneous prediction of key molecular markers, such as isocitrate dehydrogenase (IDH) mutation, 1p/19q co-deletion, and telomerase reverse transcriptase (TERT) promoter mutation, along with prognosis, remains challenging. We aimed to develop and validate a deep learning (DL) model capable of simultaneously predicting key genetic molecular markers and prognosis in gliomas. Methods We conducted a retrospective analysis of 457 adult-type diffuse gliomas (193 training cohorts; 162 and 102 cases in SZS and The Cancer Genome Atlas (TCGA) validation cohorts, respectively). We developed MultiCubeNet, a multisequence, multiscale, multitask DL framework designed to predict IDH mutation, 1p/19q co-deletion, TERT promoter mutation, and prognosis. Model performance was benchmarked against conventional radiomics pipelines and neuroradiologist annotations. Classification accuracy was evaluated by the area under the receiver operating characteristic curve (AUC), with prognostic performance quantified using Harrell’s concordance index (C-index). Results The median age of the patients was 49 years, and 266 were men (58.2%). The model demonstrated high efficiency in the training set, achieving AUCs of 0.966 for IDH mutation, 0.961 for 1p/19q co-deletion, and 0.851 for TERT promoter mutation. In the external test set (SZS), the model maintained strong performance with AUCs of 0.877, 0.730, and 0.705 for IDH mutation, 1p/19q co-deletion, and TERT promoter mutation, respectively. The performance in TCGA cohort was less optimal, with AUCs below 0.8. The framework consistently matched or exceeded both radiomics pipelines and neuroradiologists in molecular marker identification. Survival analysis revealed significant prognostic stratification across all cohorts (C-index: 0.706–0.866). Conclusions MultiCubeNet, a multitask DL model leveraging multisequence and multiscale magnetic resonance imaging, demonstrated strong performance in predicting key molecular markers and prognosis in gliomas, thereby supporting personalized treatment approaches.
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.
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 | 0,001 |
| 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 découle