文献

J-GLOBAL ID：202102281417840066   整理番号：21A0290203

ランダムフォレストを用いた悪性腫瘍の超音波診断のための甲状腺結節の診断【JST・京大機械翻訳】

Diagnosis of thyroid nodules for ultrasonographic characteristics indicative of malignancy using random forest

著者 (7件)： Chen Dan (Yunnan Key Laboratory of Statistical Modeling and Data Analysis, Kunming, China) ,  Hu Jun (Yunnan Key Laboratory of Statistical Modeling and Data Analysis, Kunming, China) ,  Hu Jun (College of Science, Kunming, China) ,  Zhu Mei (Department of Ultrasound, Kunming, China) ,  Tang Niansheng (Yunnan Key Laboratory of Statistical Modeling and Data Analysis, Kunming, China) ,  Yang Yang (Department of Ultrasound, Kunming, China) ,  Feng Yuran (Department of Ultrasound, Kunming, China)
資料名： BioData Mining (Web)  (BioData Mining (Web))
巻： 13  号： 1  ページ： 1-21  発行年： 2020年 
JST資料番号： U7361A  ISSN： 1756-0381  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 超音波検査(US)特性の種々の組み合わせは,甲状腺結節を分類するためにますます利用されている。しかし,それらは理論を欠き,放射線科医の経験に大きく依存し,甲状腺結節を正しく分類できない。したがって,この原稿の主要な目的は,悪性腫瘍と有意に関連したUS特性を選択し,甲状腺悪性腫瘍を正しく同定するための超音波臨床医を容易にするための効率的なスコアリングシステムを開発することである。ロジスティック回帰(LR)モデルを用いて,潜在的甲状腺悪性腫瘍を同定し,最小絶対収縮および選択オペレータ(LASSO)法を採用して,LRモデルにおける悪性および推定パラメータに有意に関連するUS特性を同時に選択した。選択したUS特性に基づいて,ランダムフォレスト(RF)と極端学習機械(ELM)による甲状腺結節の各々の確率を計算し,甲状腺結節を分類するスコアリングシステムを開発した。比較のために,サポートベクトルマシン(SVM),ニューラルネットワーク(NET)など8つの最先端の方法も考察した。受信者動作特性曲線(AUC)下の面積を用いて,種々の分類器の精度を測定した。US特性:結節サイズ,AP/T≧1,固形成分,微小石灰化,hackly境界,hypoechogenicity,ハローの存在,不明瞭な境界,不規則なマージン,および中心血管性を,LASSO LR(LLR)を介して甲状腺悪性腫瘍と関連する有意な予測因子として選択した。開発したスコアリングシステムを使用して,甲状腺結節は以下の4つのカテゴリーに分類される:良性,低疑い,中間疑い,および高疑いであり,試験データセットのRF(ELM)法に対して正しく同定された悪性腫瘍の率は,それぞれ0.0%(4.3%),14.3%(50.0%),58.1%(59.1%)および96.1%(97.7%)であった。RFと共にLLRは,リスクスコアに関して,特に異常結節に対して,悪性腫瘍の同定において他の方法より良好に機能する。開発したスコアリングシステムは,良性結節に対する不必要な生検の数を低減するための管理決定を行うため,悪性腫瘍のリスクを良好に予測し,医療医師をガイドする。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： *超音波 ,  オペレータ ,  血管 ,  ニューラルネットワーク ,  *超音波診断 ,  生検 ,  甲状腺腫瘍 ,  サポートベクトルマシン
準シソーラス用語： *甲状腺結節 ,  ROC曲線 ,  *悪性腫瘍 ,  ロジスティック回帰分析 ,  放射線科医 ,  臨床医 ,  予測因子 , 【Automatic Indexing@JST】

著者キーワード (4件)： ランダムフォレスト ,  リスクスコア ,  甲状腺結節 ,  超音波検査特性

分類 (3件)： 腫ようの診断  (GE03020J) ,  内分泌系の診断  (GL02000B) ,  内分泌系の腫よう  (GL04000P)

引用文献 (27件)：

• Radiology; Thyroid imaging reporting and data system for US features of nodules: a step in establishing better stratification of cancer risk; JY Kwak, KH Han, JH Yoon, HJ Moon, EJ Son, SH Park, HK Jung, JS Choi, BM Kim, E-K Kim; 260; 3; 2011; 892-9; citation_id=CR1
• Sci Rep; Malignancy risk stratification of thyroid nodules: comparisons of four ultrasound Thyroid Imaging Reporting and Data Systems in surgically resected nodules; Y Wang, K-R Lei, Y-P He, X-L Li, W-W Ren, C-K Zhao, X-W Bo, D Wang, C-Y Sun, H-X Xu; 7; 1; 2017; 1-10; citation_id=CR2
• Thyroid Res; Proposed algorithm for management of patients with thyroid nodules/focal lesions, based on ultrasound (US) and fine-needle aspiration biopsy (FNAB); our own experience; Z Adamczewski, A Lewiński; 6; 1; 2013; 6; citation_id=CR3
• World J Surg; Evidence-based assessment of the role of ultrasonography in the management of benign thyroid nodules; LF Morris, N Ragavendra, MW Yeh; 32; 7; 2008; 1253-63; citation_id=CR4
• J Clin Endocrinol Metab; An ultrasonogram reporting system for thyroid nodules stratifying cancer risk for clinical management; E Horvath, S Majlis, R Rossi, C Franco, JP Niedmann, A Castro, M Dominguez; 94; 5; 2009; 1748-51; citation_id=CR5

タイトルに関連する用語 (5件)： ランダムフォレスト ,  悪性腫瘍 ,  超音波診断 ,  甲状腺結節 ,  診断