Multiclass machine learning models for molecular subtype identification of pediatric low-grade glioma using bi-institutional MRIs for precision medicine
Notice bibliographique
Résumé
Pediatric Low-Grade Glioma (pLGG) is the most common pediatric brain tumor, and radiomics-based machine learning (ML) models have shown promise in identifying BRAF fusion and BRAF p.V600E mutation. This bicentric retrospective study included 495 children diagnosed between 1999 and 2023. The local hospital dataset comprised Magnetic Resonance Imaging (MRI) scans of patients with BRAF fusion (n = 190), BRAF p.V600E mutation (n = 95), FGFR1 (n = 25), and other molecular subtypes (n = 144), while an external dataset included BRAF fusion (n = 32) and BRAF p.V600E mutation (n = 9) cases. Radiomics features were extracted from Fluid-Attenuated Inversion Recovery images, and Random Forest classifiers were trained using Monte Carlo data splits and leave-one-out validation. The best-performing model achieved an average one-vs-the-rest area under receiver operating characteristic curve of 0.819 (95% confidence interval [0.791, 0.848]). This study highlights the potential of radiomics-based ML models for molecular subtype differentiation in pLGG, with per-patient predictions enabling outlier identification and subgroup performance evaluation.
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».