Gliomas comprise the vast majority of all malignant brain tumors. Low-grade glioma patients with combined whole-arm losses of 1p and 19q chromosomes were shown to have significantly better overall survival rates compared to non-deleted patients. This work evaluates several approaches for assessment of 1p/19q status from T2-weighted magnetic resonance images, using radiomics and machine learning. Experiments were performed using images from a public database (102 codeleted, 57 non-deleted). We experimented with sets of 68 and 100 radiomic features, and with several classifiers, including support vector machine, k-nearest neighbors, stochastic gradient descent, logistic regression, decision tree, Gaussian naive Bayes, and linear discriminant analysis. We also experimented with several ensemble-based methods, including four boosting-based classifiers, random forest, extra-trees, and bagging. The performance of these methods was compared using various metrics. Our best results were achieved using a bagging ensemble estimator based on the decision tree classifier, using only texture-based radiomics features. Compared to other works that used the same database, this approach provided higher sensitivity. It also achieved higher sensitivity than that provided by neurosurgeons and neuroradiologists analyzing the same images. We also show that including radiomic features associated with first order statistics and shape does not improve the performance of the classifiers, and in many cases worsens it. The molecular assessment of brain tumors HIGHLIGHTS• We investigate machine learning assessment of 1p/19q status in low grade gliomas.• Experiments were performed with different sets of radiomic features.• Several classifiers were evaluated, including various ensemble methods.• Best results achieved using a bagging estimator with texture-based radiomic features.

Os gliomas compreendem a grande maioria de todos os tumores cerebrais malignos. A identificação do estado de codeleção cromossômica 1p/19q em gliomas de baixo grau (LGG) é de fundamental importância no manejo clínico. Este trabalho propõe uma assinatura de baixa complexidade para avaliação não invasiva do status 1p/19q a partir de imagens de ressonância magnética, usando radiômica e aprendizado de máquina. Os experimentos foram realizados usando imagens ponderadas em T2 de um conjunto de dados público, com 159 pacientes e status 1p/19q comprovado por biópsia. Um conjunto de 68 características quantitativas foi extraído de cada tumor usando a plataforma PyRadiomics. A normalização foi utilizada para que todas as características apresentem uma ordem de grandeza similar. A análise de componentes de vizinhança foi utilizada para redução de dimensionalidade. A previsão do status 1p/19q foi realizada usando um classificador de k-vizinhos mais próximos, com ajuste de hiperparâmetros usando busca em grade com validação cruzada. O desempenho da classificação foi avaliado usando várias métricas. Os resultados mostram que o desempenho da classificação melhora à medida que incorporamos cada etapa adicional a assinatura, e os melhores resultados foram obtidos ao executar a assinatura completa. Quando comparado com vários métodos de ponta da literatura e com resultados obtidos por neurocirurgiões e neurorradiologistas analisando as mesmas imagens, a assinatura proposta apresentou acurácia (81,88%), especificidade (69,25%), precisão (86,04%), área sob a curva (82,70%) e pontuação F1 (86,28%); o método proposto também apresentou alta sensibilidade (88,48%). Este trabalho demonstra técnicas baseadas em radiômica e aprendizado de máquina que fornecem avaliação não invasiva e promissora do status 1p/19q em LGGs. A assinatura proposta pode ser útil para facilitar a tomada de decisões clínicas, cirúrgicas e terapêuticas.

Resumo-Diversos recentes trabalhos têm demonstrado a contribuição que a inteligência artificial tem trazido para a construção de redes inteligentes. Neste trabalho, utilizamos um modelo de aprendizado de máquina para classificar os tráfegos ultra-reliable and low latency communication, enhanced mobile broadband e machine-type communications de uma rede móvel a partir das métricas operacionais obtidas junto aos user equipments, em cenários de proximidade, com e sem mobilidade. A acurácia é usada como medida de desempenho, tendo atingido resultados superiores a 97%. Discutimos a possibilidade de implantação deste classificador de tráfego como um rApp, operando no non real-time RAN intelligent controller, previsto em redes Open RAN e que operam em loops de controle superiores a 1 segundo.Palavras-Chave-Open RAN, aprendizado de máquina, classificador de tráfego.

Resumo-A arquitetura Open RAN (O-RAN) e as especificações da O-RAN Alliance têm o potencial de promover Redes de Acesso via Rádio, ou Radio Access Networks (RANs) em inglês, virtualizadas e desagregadas, conectadas por meio de interfaces não-proprietárias e otimizadas por controladores inteligentes. Entender a arquitetura, interfaces e fluxo de trabalho da O-RAN é fundamental para o futuro do ecossistema de telecomunicações. A evolução da O-RAN enfrenta o desafio de ter disponíveis plataformas experimentais para avaliar pilhas de protocolos programáveis e virtualizadas com interfaces não-proprietárias em conjunto com a otimização da RAN dentro da arquitetura 5G e posteriores. Neste artigo, apresentamos um estudo da O-RAN e discutimos os principais desafios nas plataformas de código aberto de pesquisa experimentais que podem ser usadas para projetar e avaliar as suas propostas. O artigo conclui com a identificação dos componentes de código aberto mais promissores, com base nas suas funcionalidades atuais.