Deep Learning Guided Radiogenomic Signatures for Prognostic Stratification in Glioblastoma Multiforme
Notice bibliographique
Résumé
Glioblastoma multiforme (GBM) is the most aggressive and lethal primary brain tumor, with an average survival of no more than 15 months despite advances in surgery, chemotherapy, and radiotherapy. Linking imaging phenotypes with genomic frameworks can improve personalized prognosis and treatment planning. This study develops a deep learning-based radiogenomic framework that integrates high-dimensional imaging features extracted from multiparametric MRI using a convolutional neural network (CNN) with key molecular biomarkers, including EGFR amplification, IDH mutation, and MGMT promoter methylation. A multiomics fusion module combined imaging-derived features with genomic alterations to enable stratified survival prediction. The publicly available datasets were used to train and validate the framework, i.e., TCIA and TCGA-GBM. The CNN-based radiogenomic model was more successful than the traditional radiomic and dictionary learning -based approaches, with high prognostic accuracy. Survival stratification into high- and low-risk groups showed significant differences, as confirmed by Kaplan–Meier analysis, C-index, and AUC metrics. The radiogenomic markers based on the model obtained biologically meaningful information on tumor heterogeneity and a better predictive outcome than the traditional methods. Radiogenomic signatures based on deep learning make it possible to prognosticate GBM accurately, non-invasively, and biologically in a manner that is precise, relevant, and now more useful in the field of neuro-oncology. The next step in research involves future multi-institutional validation, explainable AI integration, and adding more omics data to make prognostics more accurate and clinically applicable.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».