Optical Microscopy Predictions of Focal Recurrence in Glioblastoma
Notice bibliographique
Résumé
Abstract A hallmark of glioblastoma (GBM) is disease recurrence, which occurs in all patients despite tumor resection, radiation, and chemotherapy. A critical challenge in glioblastoma treatment is the management of recurrent disease, for which there is no standard of care. Predicting the location of glioblastoma recurrence may improve the efficiency of advanced-stage therapies. Here, we present an artificial intelligence (AI)-based model to predict the risk of unprocessed surgical tissues at initial resection. AI-informed label-free optical microscopy was used to generate a normalized tumor infiltration value (AI-infiltration) for whole-slide optical images of samples taken from resection cavity margins. These values, in combination with clinical, radiographic, and molecular variables, were used to build a predictive model of focal recurrence. In a cohort of 80 patients, comprising 367 samples and 133,454 unique images, glioblastoma infiltration was significantly higher in margin samples from recurrent tumors (p = 0.026) compared with those from non-recurrent tumors. A random forest (RF) machine learning classifier was able to predict site recurrence with an average area under the receiver operating characteristic curve (AUC) of 86.6% ± 10.0 for the training cohort and 80.3% (95% CI: 0.641-0.965) for the validation cohort. AI-infiltration was the strongest contributor to recurrence prediction, outperforming tumor molecular features. Model performance remained high regardless of tumor location, resulting in random forest model predictions of recurrence at 5 and 10 millimeters of each sampled site. These findings represent the potential of AI to predict sites of tumor recurrence, thereby improving accessibility to targeted, precision, multimodal therapy for the highest-risk areas of disease. One Sentence Summary: Machine learning estimates of tumor infiltration predict focal glioblastoma recurrence.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».