INNV-35. Artificial intelligence in Neuro-Oncology: Mapping the field
Notice bibliographique
Résumé
Abstract BACKGROUND Artificial intelligence (AI) is reshaping neuro-oncology research and clinical practice. This abstract summarizes key findings from a peer-reviewed review article (accepted, The Lancet Digital Health), which maps AI applications across the neuro-oncological care trajectory and critically examines major opportunities, challenges, and future directions. METHODS We searched PubMed, ArXiv, and Google Scholar using comprehensive MeSH term-based search strings (e.g., “glioma,” “machine learning,”, “foundation model,” “omics”) from 1/1/2020–12/7/2024. Article metadata were retrieved via Python wrappers (built around PubMed and ArXiv APIs) or manually (from Google Scholar). Records were screened and deduplicated. Studies were selected based on predefined criteria, including explicit use of machine learning (ML) as a core technology, a multicentric or independent validation cohort, and high methodological rigor. RESULTS Screening of 2,675 unique records revealed that current AI-neuro-oncology literature primarily focuses on clinical neuroimaging or omics, often using radiomics, deep learning, or traditional ML, with fewer studies investigating advanced generative models. Analysis of 52 original articles meeting inclusion criteria identified robust AI applications in medical image analysis (e.g., non-invasive diagnosis and response assessment), digital neuropathology, biomarker discovery, tumor phenotyping, patient risk stratification, personalized precision treatment, and neuro-rehabilitative devices. Exploratory approaches include generalist and agentic neuro-oncology assistants, biophysical and causal models (e.g., for neural–cancer dynamics), synthetic data, and drug (target) discovery. Barriers to full integration include major data gaps, limited clinical validation of current tools, and unresolved ethical, legal, and regulatory issues. CONCLUSIONS Promising AI use cases are emerging across the neuro-oncological care trajectory, although current data, validation, and implementation gaps limit clinical deployment and scaling beyond narrowly defined tasks, particularly for advanced generalist models. Closing these gaps will require addressing data collection, standardization and annotation challenges; prioritizing rigorous prospective validation to demonstrate improved clinical outcomes; and grounding tool development in human-centred, ethical, and agile regulatory frameworks for responsible innovation.
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 | 0,011 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,018 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,089 | 0,039 |
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 ».