PATH-08. Establishing the utility of deep-learning for H&E-based meningioma molecular classification and outcome prediction
Notice bibliographique
Résumé
Abstract The introduction of genomic profiling as a tool for molecular classification and outcome prediction has revolutionized the care of patients with brain tumors. Artificial intelligence (AI) provides advanced avenues to convert complex genomic information into routinely available patient-level information. In this study, we leverage deep learning to demonstrate that H&E can robustly characterize the molecular subtypes of the most common brain tumor, meningioma. To do this, we created a cohort of 605 meningiomas with paired DNA methylation and matched digitized H&E images. We trained and validated dedicated deep learning models to predict molecular groups, relevant chromosomal arm aneuploidies (1p loss, 1q gain, 22q loss), and clinical outcomes using the H&E alone. AUROCs and balanced accuracy were used to assess classifier performance and risk-group-specific outcomes were compared using the log-rank test. Our deep learning classifier achieved a balanced accuracy of 87-97% for predicting molecular groups of meningiomas. Similar performance was achieved in the prediction of chromosomal aneuploidies. Our dedicated outcome prediction model was remarkably prognostic even when adjusting for WHO grade, extent of resection, and age (HR 3.49, 95% CI 1.54-7.91, p = 0.003), demonstrating the clear and immediate translational value of deep learning in this context. Beyond this direct translational utility, the generated AI models also provide novel insights into group-specific molecular heterogeneity which have not been detected using bulk genomic approaches to date. This work is the first to demonstrate the ability to apply deep learning models that can, beyond diagnosis, determine molecular subtypes and predict outcomes in a single brain tumour entity using H&E alone, which to date is only possible using resource-intensive genomic profiling. It further demonstrates the broad clinical utility of applying AI modelling to readily available H&E to democratize access to genomic information globally.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».