Reducing Gadolinium Dependency in Neurooncology: A Multicenter Machine-Learning Driven Estimation of Brain Glioma Enhancement from Non-Contrast T1 MRI
Notice bibliographique
Résumé
Gliomas, including low-grade gliomas (LGG) and glioblastoma (GBM), require precise imaging. Gadolinium-based contrast-enhanced (GBCA) MRI is routinely used but poses risks such as nephrogenic systemic fibrosis and gadolinium retention, particularly in vulnerable patients. This study investigates a Radiomics-based (RF) machine learning (ML) framework to estimate tumor contrast enhancement likelihood from non-contrast T1-weighted MRI, eliminating gadolinium use while maintaining diagnostic accuracy. A 5-fold cross-validation training process was performed on multi-institutional datasets (231 samples from Brats_Africa, 59 from TCGA_LGG, and 496 from UCSF_PDGM). External nested testing was performed on a separate dataset from a different center, consisting of 660 samples from the UPENN-GBM cohort. Our pipeline evaluated 63 ML models, including 7 feature selection algorithms such as Mutual Information (MIS), Embedded Feature Importance via Extra Trees Classifier (EFIET), and others, linked with 9 classifiers, including Random Forest (RandF), Multilayer Perceptron (MLP), and others. Images were normalized, and tumor masks were verified by two medical professionals. An Experienced radiologist labeled MRI images using non-contrast and contrast-enhanced T1-weighted scans, classifying enhanced as 1 and non-enhanced as 0. A total of 107 RFs were extracted from non-contrast T1-weighted MRI using PyRadiomics. The top-performing predictive model (EFIET feature selector + MLP classifier) achieved an average accuracy of$0.94 \pm 0.02$, with an external nested test of$0.87 \pm 0.01$. Overall, the 54 RFs selected by EFIET, when applied to different classifiers, outperformed other subsets. This study offers a safer, cost-effective alternative to GBCA MRI, reducing scan time and avoiding contrast-related risks. Our framework highlights the transformative potential of ML and radiomics in neuro-oncology, particularly for vulnerable populations and resource-limited settings.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 |
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 ».