文献

J-GLOBAL ID：201902285330460392   整理番号：19A1339985

髄膜腫における術前グレーディングのための深部学習放射線学モデル【JST・京大機械翻訳】

A deep learning radiomics model for preoperative grading in meningioma

著者 (20件)： Zhu Yongbei (School of Automation, Harbin University of Science and Technology, Heilongjiang, Harbin, 150080, China) ,  Zhu Yongbei (CAS Key Laboratory of Molecular Imaging, Institute of Automation, Chinese Academy of Sciences, Beijing, 100190, China) ,  Zhu Yongbei (Beijing Advanced Innovation Center for Big Data-Based Precision Medicine, School of Medicine, Beihang University, Beijing, 100191, China) ,  Man Chuntao (School of Automation, Harbin University of Science and Technology, Heilongjiang, Harbin, 150080, China) ,  Gong Lixin (Sino-Dutch Biomedical and Information Engineering School, Northeastern University, Shenyang, 110169, China) ,  Dong Di (CAS Key Laboratory of Molecular Imaging, Institute of Automation, Chinese Academy of Sciences, Beijing, 100190, China) ,  Dong Di (University of Chinese Academy of Sciences, Beijing, 100080, China) ,  Yu Xinyi (Imaging Center, Wuxi People’s Hospital, Nanjing Medical University, Wuxi, 214000, China) ,  Wang Shuo (CAS Key Laboratory of Molecular Imaging, Institute of Automation, Chinese Academy of Sciences, Beijing, 100190, China) ,  Wang Shuo (University of Chinese Academy of Sciences, Beijing, 100080, China) ,  Fang Mengjie (CAS Key Laboratory of Molecular Imaging, Institute of Automation, Chinese Academy of Sciences, Beijing, 100190, China) ,  Fang Mengjie (University of Chinese Academy of Sciences, Beijing, 100080, China) ,  Wang Siwen (CAS Key Laboratory of Molecular Imaging, Institute of Automation, Chinese Academy of Sciences, Beijing, 100190, China) ,  Wang Siwen (University of Chinese Academy of Sciences, Beijing, 100080, China) ,  Fang Xiangming (Imaging Center, Wuxi People’s Hospital, Nanjing Medical University, Wuxi, 214000, China) ,  Chen Xuzhu (Department of Radiology, Beijing Tiantan Hospital, Capital Medical University, Beijing, 100050, China) ,  Tian Jie (CAS Key Laboratory of Molecular Imaging, Institute of Automation, Chinese Academy of Sciences, Beijing, 100190, China) ,  Tian Jie (Beijing Advanced Innovation Center for Big Data-Based Precision Medicine, School of Medicine, Beihang University, Beijing, 100191, China) ,  Tian Jie (Sino-Dutch Biomedical and Information Engineering School, Northeastern University, Shenyang, 110169, China) ,  Tian Jie (Engineering Research Center of Molecular and Neuro Imaging of Ministry of Education, School of Life Science and Technology, Xidian University, Xi’an, 710126, China)
資料名： European Journal of Radiology  (European Journal of Radiology)
巻： 116  ページ： 128-134  発行年： 2019年 
JST資料番号： W3246A  ISSN： 0720-048X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 通常のポストコントラストMRIに基づく深い学習放射線学(DLR)モデルにより髄膜腫グレードを非侵襲的に区別する。著者らは,2つの病院(原発性コホートにおける99人と検証コホートにおける82人)からのポストコントラストMRI術前検査を受けた髄膜腫の組織病理学的診断を有する181人の患者を登録した。すべての腫瘍を,ポストコントラスト軸T1強調画像(T1WI)に基づいて分割し,それから,2048の深い学習特徴を畳込みニューラルネットワークによって抽出した。ランダムフォレストアルゴリズムを用いて,0.001以上の重要度値を有する特徴を選択した。それに関して,深い学習署名を線形判別分析分類装置によって築き上げた。著者らのDLRモデルの性能を独立検証コホートにおける識別と較正によって評価した。比較のために,手craの特徴と融合モデルに基づく放射モデルを構築した。DLR署名は39の深い学習特徴を含み,一次と検証の両方において良好な識別性能を示した。髄膜腫グレードを予測するための曲線下面積(AUC),感度,および特異性は,検証コホートにおいて,それぞれ0.811(95%CI,0.635-0.986),0.769,および0.898であった。DLRの性能は,手craの特徴より優れていた。DLRモデルの較正曲線は,予測確率と高悪性度髄膜腫の観察結果との間の良好な一致を示した。ルーチンMRIデータを用いて,髄膜腫グレードの非侵襲的に個別化された予測のための良好な性能を有するDLRモデルを開発した。これは,手による特徴よりも優れた量子化能力を達成した。このモデルは,予後情報を提供することにより患者を観察するか,治療するかの臨床意思決定を導き,容易にする可能性がある。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 分類装置 ,  *髄膜腫 ,  アルゴリズム ,  NMRイメージング ,  *放射線医学 ,  予測 ,  予後 ,  *学習 ,  母集団 ,  意思決定 ,  ヒト
準シソーラス用語： 個性化 ,  悪性度 ,  特異性 ,  ランダムフォレスト ,  非侵襲 , 【Automatic Indexing@JST】

著者キーワード (5件)： 放射線学 ,  深層学習 ,  髄膜腫 ,  腫瘍の格付け ,  磁気共鳴イメージング

分類 (3件)： 医用画像処理  (JE04020T) ,  放射線を利用した診断  (GC04020K) ,  腫ようの化学・生化学・病理学  (GE02030N)

タイトルに関連する用語 (7件)： 髄膜腫 ,  術前 ,  グレーディング ,  深部 ,  学習 ,  放射線学 ,  モデル