34 RISK STRATIFICATION USING DEEP FEATURES IN IDH-MUTANT GLIOMAS
Notice bibliographique
Résumé
Abstract BACKGROUND The current diagnostic framework for IDH-mutant gliomas relies on molecular biomarkers, the most important of which being driver mutations in IDH1/2 and whole arm codeletion in chromosomes 1p and 19q. Despite these molecular indicators, a subset of patients with favourable prognosis still have poor outcomes. In this work, we explore whether morphological features, extracted using pathology foundation models, can be used to stratify IDH-mutant cases into high and low-risk cases. DESIGN Our dataset consisted of 886 IDH-mutant glioma cases from the The Cancer Genome Atlas Low Grade Glioma and Glioblastoma (TCGA-LGGGBM) studies, as well as two external validation sets of 145 patients (VIENNA) and 82 patients (VGH). We trained a self-supervised feature extractor on 256x256 pixel patches extracted at 20x magnification. These features were then used to train a multiple-instance learning model for survival prediction. RESULTS We achieved a c-index of 0.77 on the TCGA-LGG test dataset, and 0.63/0.65 on the two external datasets. Further analysis found that these risk scores can be used to identify two distinct risk groups, agnostic of the current diagnostic framework, that exhibit inherent morphological and genomic variation. CONCLUSIONS Our findings suggest that deep learning-based features can be used to predict outcome, and identify distinct risk groups in gliomas. These findings could lead to further refinement of the current diagnostic categories of IDH-mutant gliomas, and guide more targeted treatments in the future.
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 ».