Deep learning volumetrics reveal distinct clinical trajectories for pediatric low-grade gliomas under surveillance: A multicenter study
Notice bibliographique
Résumé
Abstract Background Pediatric low-grade gliomas (pLGGs) have heterogeneous clinical presentations, and given the morbidity of treatment, some patients receive observation with magnetic resonance (MR). The natural histories of untreated pLGGs remain understudied. We leveraged deep learning-based volumetrics to analyze longitudinal growth trajectories and progression risk factors for untreated pLGGs. Methods We conducted a pooled, retrospective study of radiographically diagnosed pLGG patients from two institutions diagnosed between 1992 and 2020 who were surveilled for at least 1 year post-diagnosis. Tumor segmentation was applied to longitudinal T2-weighted MR to calculate 3D tumor volumes. We assessed volume trajectories, disease progression, and associated risk factors using Cox-Hazards regression, survival analysis, and time-series forecasting with autoregressive integrated moving average (ARIMA). Patients were categorized based on volumetric changes into progression (≥25%), regression (≤−25%), or stability. Results Of 99 patients (970 scans; median follow-up: 7.0 years; median diagnosis age: 12.0 years), 55 (55.5%) had tumors that volumetrically progressed, 28 (28.3%) remained stable, and 16 (16.2%) regressed. 42 (42.4%) patients initiated treatment. Risk factors associated with progression included infancy/preschool age, cortical location, and female sex (p ≤ 0.05 for each). Most progressions occurred within five years of diagnosis (80.0%), most commonly in school-aged children (7-13 years old). Time-series forecasting predicted future tumor volume with a mean absolute error of 2.04 cm3. Conclusion Deep learning enables systematic, longitudinal, pLGG growth tracking and characterization of patients on surveillance, yielding insights into untreated tumor trajectories and progression risk. This pipeline is useful at population-level to study growth trends and at patient-level to guide personalized management.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».