Saturation Transfer Imaging Radiomics using Machine Learning Improves Differentiation of Tumour Progression from Radiation Necrosis in Brain Metastases
Notice bibliographique
Résumé
Abstract Objectives This study aimed to develop a machine learning classifier that integrates, along with structural MRI, radiomic features from saturation transfer (ST) MRI techniques, including magnetization transfer (MT) and chemical exchange saturation transfer (CEST), to distinguish tumour progression (TP) from radiation necrosis (RN) in brain metastases following stereotactic radiosurgery (SRS). Methods 174 lesions from 88 patients were analyzed, extracting 2823 radiomic features from T1-, T2-, FLAIR-, and magnetization transfer ratio (MTR)-based images at APT and NOE offsets. After applying feature selection, a 20-feature subset composed mainly of high B1-saturation MTR metrics and quantitative T1 map features was identified. Classifier performance was assessed using cross-validation, with sensitivity and specificity as primary metrics. Results The best performing classifier was Extra Trees, achieving a sensitivity of 0.91 and a specificity of 0.85. Highly ranked features included those derived from MTR maps at higher saturation amplitudes (2.5 µT) and quantitative T1 maps. With the exclusion of MTR-based features, accuracy dropped from 88% to 73% and AUC from 0.89 to 0.77, with a corresponding increase in false positives. Conclusions Results demonstrated that integrating CEST-derived radiomics with conventional MRI provides robust diagnostic performance in differentiating TP from RN. Features derived from MTR maps—especially at higher saturation amplitudes—and quantitative T1 mapping were among the most discriminative, with their exclusion resulting in significantly lower classification performance. This combined radiomics approach may offer a clinically feasible and non-invasive means of guiding treatment decisions to improve patient management for brain metastases post-SRS.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».