EUVIMEDEUVIMED entdecken
ÜbersichtsarbeitScoping ReviewOpen Access

Scoping review of image-based overall survival prediction in glioma using machine learning

Scoping Review der bildbasierten Vorhersage des Gesamtüberlebens bei Gliom mithilfe von Machine Learning

Saman Mohammadpour, Hassan Emami, Reza Rabiei, Arash Roshanpoor, Morteza Tabatabaeefar, Fariborz Faeghi

Polish Journal of Radiology · 27.11.2025 · 90 · 571-581

DOI: 10.5114/pjr/209963 ↗

Auf einen Blick

Die Scoping Review wertete 70 Artikel zu bildbasierten OS-Modellen bei Gliom aus. Deep-Learning-Modelle schnitten meist besser ab, hybride Modelle zeigten uneinheitliche Ergebnisse.

Fragestellung

Wie gut sind bildbasierte Modelle zur Vorhersage des Gesamtüberlebens bei Gliom, und welche Bild- und Modellmerkmale beeinflussen die Leistung?

Methode

Scoping Review nach Joanna-Briggs-Institute-Guidelines; fünf Schritte von der Fragestellung bis zur Zusammenfassung der Ergebnisse.

Ergebnisse

3238 Datensätze identifiziert, 70 Artikel eingeschlossen. Häufig genutzt wurden Segmentierung, multimodale MRI und Feature-Extraktion; T1-gewichtete kontrastverstärkte MRI und gradsspezifische Analysen verbesserten die Modellleistung.

Einschränkungen

Heterogene Leistung durch begrenzte Bildqualität und Probleme der Modellinterpretierbarkeit; große, ausgewogene Datensätze erforderlich.

Schlussfolgerung der Autor:innen

Eine höhere Stichprobengröße allein verbessert die Vorhersage nicht; Datenqualität und Merkmalsauswahl sind entscheidend. Diverse Bildgebungsmodalitäten und klinische Merkmale erhöhen die klinische Zuverlässigkeit.

Kernaussagen

  • 70 Artikel in die Analyse eingeschlossen
  • Deep Learning meist besser als traditionelle Methoden
  • Klinische Merkmale plus Bilddaten erhöhen die Zuverlässigkeit

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Übersichtsarbeit in der Zeitschrift Polish Journal of Radiology, online erschienen am 27.11.2025. Verfasst von Saman Mohammadpour und 5 weiteren Autor:innen. Beteiligte Einrichtung: Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran…. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 48 Literaturangaben. Der Volltext ist frei in PubMed Central verfügbar.

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Purpose

Accurate prediction of overall survival (OS) in glioma patients is crucial for optimising treatment decisions. Despite advancements in imaging and machine learning, challenges persist due to tumour heterogeneity and confounding factors. This scoping review systematically assesses state-of-the-art image-based OS prediction models for glioma, focusing on tumour characteristics, imaging modalities, preprocessing techniques, and machine learning methods. Material and Methods This scoping review was conducted following the Joanna Briggs Institute guidelines, comprising five key stages: identifying the research question, searching for relevant literature, selecting studies, charting the data, and collating, summarising, and reporting the results.

Results

The initial search identified 3238 records, of which 70 articles were included in the final analysis. Most studies originated from China, the United States, and India, with datasets averaging approximately 450 cases. To enhance predictive accuracy, various techniques were utilised, including image segmentation, multimodal magnetic resonance imaging (MRI) protocols, and advanced feature extraction methods. Notably, T1-weighted contrast-enhanced MRI and grade-specific glioma analyses improved model performance. Although deep learning models generally outperformed traditional methods, they required large, balanced datasets. Hybrid models showed promising potential; however, their performance was inconsistent due to challenges such as limited image quality and issues with model interpretability.

Conclusions

Increasing sample size alone does not guarantee improved accuracy in glioma prediction models, because data quality and feature selection are critical factors. Incorporating diverse imaging modalities can significantly enhance predictive performance. To ensure greater clinical reliability in decision-making, integrating clinical features with imaging data is essential.

Schlagwörter

Stichwörter der Autor:innen

gliomaimage analysisimage processingmachine learningoverall survivalprediction

Autor:innen und Institutionen

  • Department of Health Information Technology and Management, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
  • Yadegar-e-Imam Khomeini (RAH) Shahre Rey Branch, Islamic Azad University, Tehran, Iran.
  • Department of Radiation Oncology, School of Medicine, Shahid Beheshti University of Medical Sciences, Tehran, Iran.
  • Department of Radiology Technology, School of Allied Medical Sciences, Shahid Beheshti University of Medical Sciences, Tehran, Iran.

Zitieren

APA

Mohammadpour, S., Emami, H., Rabiei, R., Roshanpoor, A., Tabatabaeefar, M., & Faeghi, F. (2025). Scoping review of image-based overall survival prediction in glioma using machine learning. Polish Journal of Radiology, 90, 571-581. https://doi.org/10.5114/pjr/209963

Vancouver

Mohammadpour S, Emami H, Rabiei R, Roshanpoor A, Tabatabaeefar M, Faeghi F. Scoping review of image-based overall survival prediction in glioma using machine learning. Polish Journal of Radiology. 2025;90:571-581. doi:10.5114/pjr/209963

BibTeX
@article{Mohammadpour2025,
  author = {Mohammadpour, Saman and Emami, Hassan and Rabiei, Reza and Roshanpoor, Arash and Tabatabaeefar, Morteza and Faeghi, Fariborz},
  title = {Scoping review of image-based overall survival prediction in glioma using machine learning},
  journal = {Polish Journal of Radiology},
  year = {2025},
  volume = {90},
  pages = {571--581},
  doi = {10.5114/pjr/209963}
}
Kostenlos starten →