PTHP-11. Assessment of Molecular Tools in Pediatric, Adolescent and Young Adult Meningioma Highlights Unique Biology and Underscores the Need for Lifespan Precision in Neuro-Oncology
Notice bibliographique
Résumé
Abstract Pediatric, adolescent and young adult patients (Ped/AYA; 0–39 years) with meningiomas are underrepresented in neuro-oncology research, despite meningiomas being the second most common primary brain tumor in this age group. While DNA methylation-based models have advanced classification and prognostication in adults, their utility in younger populations remains uncertain. To address this gap, we aimed to evaluate the performance of current DNA methylation-based classification and recurrence prediction models in Ped/AYA patients with meningiomas and identify age-associated molecular differences. As part of this study, we analyzed 1,568 meningioma samples with DNA methylation and clinical data, including subsets with whole-exome and RNA sequencing. Patients were grouped into Ped/AYA (≤39 years, n = 213) and adult (>39 years, n = 1,355) cohorts. We assessed classifier performance, performed subgroup-specific model retraining, and compared molecular profiles across age groups. Our results showed that molecular classification differed significantly between age groups, with Ped/AYA tumors less frequently belonging to the most aggressive Proliferative Molecular Group. The DNA methylation-based recurrence model performed well in adults (AUC = 0.83) but poorly in the Ped/AYA cohort (AUC = 0.57). However, retraining the model on only younger patients improved performance (AUC = 0.75). In addition, Ped/AYA tumors exhibited significantly fewer chromosomal alterations, including lower frequencies of 1p, 6q, and 14q loss (p<0.05). Taken together, these findings indicate that predominantly adult-trained methylation models underperform in younger meningioma patients due to both biological divergence and exclusion from training datasets. Our findings underscore the need for age-specific molecular tools to improve prognostication and support personalized care across the lifespan in neuro-oncology.
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 | 0,002 | 0,005 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».