Semi-Supervised Multi-Sequence Glioblastoma MRI Radiogenomics for Prediction of IDH Mutation Status: Improved Robustness to Limited Labels and SHAP Interpretations
Notice bibliographique
Résumé
Background: Glioblastoma (GBM) is an aggressive brain tumor, with IDH mutation status as a key prognostic biomarker.Traditional IDH testing requires invasive biopsies, highlighting the need for non-invasive alternatives.MRI-based radiogenomics features coupled with machine learning show promise, but past studies were mostly single-center-based and rarely used semisupervised learning (SSL) to exploit unlabeled data. Methods:We analyzed MRI sequences T1, T2-weighted, contrast-enhanced T1 (T1CE) and FLAIR from 1,329 patients across eight centers, with IDH labels available for 1,061 cases.Radiomics features (n=1,223 per case) were extracted using PyRadiomics with Laplacian of Gaussian and wavelet filters.Both supervised learning (SL) and SSL (via pseudo-labeling) were implemented, incorporating 38 feature selection/attribute extraction and 24 classifiers.Five-fold cross-validation was performed on UCSF-PDGM and UPENN datasets, with external validation on IvyGAP, TCGA-LGG and TCGA-GBM.SHAP analysis quantified feature importance.Results: Multimodal MRI (T1+T2+T1CE+FLAIR) provided the strongest performance, outperforming single-sequence models.The best SSL model (involving Recursive Feature Elimination (RFE) + SVM) achieved 0.93±0.01cross-validation and 0.75±0.02external accuracy, while the best SL model (RFE+Complement Naive Bayes (CNB)) reached 0.90±0.02and 0.80±0.006,respectively.SSL also demonstrated greater stability with lower sensitivity to dataset size compared to SL, maintaining robust performance in data-limited conditions.SHAP analysis showed SSL amplified the discriminative value of first-order statistics of Root Mean Square (FO_RMS) (T1CE) and wavelet-based metrics, strengthening biomarker interpretability.Conclusion: SSL improves accuracy, efficiency and interpretability in MRI-based IDH prediction, remaining less sensitive to data size while reinforcing multimodal fusion as the most reliable, scalable strategy.
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 | 0,007 | 0,008 |
| 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 | 0,001 | 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 ».