文献

J-GLOBAL ID：202102246603954576   整理番号：21A0805129

膠芽腫患者における術後同時化学放射線療法後の全生存予測のためのマルチパラメトリック深層学習モデル【JST・京大機械翻訳】

Multi-Parametric Deep Learning Model for Prediction of Overall Survival after Postoperative Concurrent Chemoradiotherapy in Glioblastoma Patients

著者 (10件)： Yoon Han Gyul (Department of Radiation Oncology, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul 06351, Korea) ,  Cheon Wonjoong (Samsung Advanced Institute for Health Science & Technology (SAIHST), Sungkyunkwan University School of Medicine, Seoul 06351, Korea) ,  Cheon Wonjoong (Proton Therapy Center, National Cancer Center, Goyang 10408, Korea) ,  Jeong Sang Woon (Samsung Advanced Institute for Health Science & Technology (SAIHST), Sungkyunkwan University School of Medicine, Seoul 06351, Korea) ,  Kim Hye Seung (Statistics and Data Center, Research Institute for Future Medicine, Samsung Medical Center, Seoul 06351, Korea) ,  Kim Kyunga (Statistics and Data Center, Research Institute for Future Medicine, Samsung Medical Center, Seoul 06351, Korea) ,  Nam Heerim (Department of Radiation Oncology, Kangbuk Samsung Hospital, Sungkyunkwan University School of Medicine, Seoul 03181, Korea) ,  Han Youngyih (Department of Radiation Oncology, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul 06351, Korea) ,  Han Youngyih (Samsung Advanced Institute for Health Science & Technology (SAIHST), Sungkyunkwan University School of Medicine, Seoul 06351, Korea) ,  Lim Do Hoon (Department of Radiation Oncology, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul 06351, Korea)
資料名： Cancers (Web)  (Cancers (Web))
巻： 12  号： 8  ページ： 2284  発行年： 2020年 
JST資料番号： U7153A  ISSN： 2072-6694  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： この研究は,手術を受け,続いて同時化学放射線療法(CCRT)を行った,神経膠芽腫患者の全生存(OS)時間を予測する,深い学習に基づく生存予測モデルの性能を検討することを目的にした。2011年1月から2017年12月の間に手術とCCRTを受けた膠芽腫患者の医療記録を,遡及的にレビューした。著者らの包含基準に基づいて,118人の患者を選定し,訓練と試験データセット(それぞれ3:1比)に半ランダムに割り当てた。畳み込みニューラルネットワークベースの深層学習モデルを,磁気共鳴映像法(MRI)データと臨床プロファイルで訓練し,OSを予測した。MRIを4パルスシーケンス(22スライス)を用いて再構成し,9画像を各パルスシーケンスのための医師による膠芽腫の最長スライスに基づいて選択した。臨床プロファイルは個人,遺伝的および治療因子から成る。各モデルの時間依存面積-曲線下面積曲線の曲線(iAUC)下の一致指数(C-指数)と積分面積を計算し,生存-予測モデルの性能を評価した。臨床的および放射線学的特徴を組み込んだモデルは,臨床特徴のみを用いたモデル(C-index=0.693(95%CI:0.685,0.701),iAUC=0.723(95%CI:0.716,0.731))およびラジオミック特徴のみを用いたモデル(C-index=0.590(95%CI:0.716,0.731))およびラジオミック特徴のみを用いたモデル(C-インデックス=0.590(95%CI:0.716,0.600))およびモデルよりも,高いC指数(0.769,95%CI:0.783,0.797)を示した(C-インデックス=0.590(95%CI:0.579,0.600);iAUC=0.614(95%CI:0.607,0.621))。C指数とiAUCに対するこれらの改善は,1000時間ブートストラップ法を用いて検証された;すべて統計的に有意であった(p<0.001)。本研究は,臨床および放射線パラメータの両方を使用する相乗的利点を示唆する。さらに,膠芽腫患者の生存予測のためのマルチパラメトリック深層学習モデルの可能性を示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ブートストラップ ,  *放射線 ,  遺伝 ,  時間依存性 ,  再構成 ,  パルス列 ,  放射線医学 ,  NMRイメージング ,  血中濃度-時間曲線下面積 ,  *膠芽腫 ,  予測モデル ,  カルテ
準シソーラス用語： *同時化学放射線療法 ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 神経膠芽腫 ,  生存予測 ,  深層学習 ,  ラジオミクス

分類 (2件)： 腫ようの放射線療法  (GE03034K) ,  腫ようの薬物療法  (GE03032C)

引用文献 (38件)：

• Bleeker, F.E.; Molenaar, R.J.; Leenstra, S. Recent advances in the molecular understanding of glioblastoma. J. Neurooncol. 2012, 108, 11-27.
• Stupp, R.; Hegi, M.E.; Mason, W.P.; van den Bent, M.J.; Taphoorn, M.J.; Janzer, R.C.; Ludwin, S.K.; Allgeier, A.; Fisher, B.; Belanger, K.; et al. Effects of radiotherapy with concomitant and adjuvant temozolomide versus radiotherapy alone on survival in glioblastoma in a randomised phase III study: 5-year analysis of the EORTC-NCIC trial. Lancet Oncol. 2009, 10, 459-466.
• Koshy, M.; Villano, J.L.; Dolecek, T.A.; Howard, A.; Mahmood, U.; Chmura, S.J.; Weichselbaum, R.R.; McCarthy, B.J. Improved survival time trends for glioblastoma using the SEER 17 population-based registries. J. Neurooncol. 2012, 107, 207-212.
• Kim, N.; Chang, J.S.; Wee, C.W.; Kim, I.A.; Chang, J.H.; Lee, H.S.; Kim, S.H.; Kang, S.G.; Kim, E.H.; Yoon, H.I.; et al. Validation and optimization of a web-based nomogram for predicting survival of patients with newly diagnosed glioblastoma. Strahlenther. Onkol. 2020, 196, 58-69.
• Gittleman, H.; Lim, D.; Kattan, M.W.; Chakravarti, A.; Gilbert, M.R.; Lassman, A.B.; Lo, S.S.; Machtay, M.; Sloan, A.E.; Sulman, E.P.; et al. An independently validated nomogram for individualized estimation of survival among patients with newly diagnosed glioblastoma: NRG Oncology RTOG 0525 and 0825. Neuro-oncology 2017, 19, 669-677.

タイトルに関連する用語 (7件)： 膠芽腫 ,  患者 ,  同時化学放射線療法 ,  生存 ,  予測 ,  深層学習 ,  モデル