文献

J-GLOBAL ID：202202242588900503   整理番号：22A0439454

臨床転帰予測のためのラジオミクスベースCNNの訓練:課題,戦略および所見【JST・京大機械翻訳】

Training radiomics-based CNNs for clinical outcome prediction: Challenges, strategies and findings

著者 (12件)： Pang Shuchao (School of Computer Science and Engineering, University of New South Wales, Sydney, NSW, Australia) ,  Pang Shuchao (Medical Physics, Ingham Institute for Applied Medical Research, Liverpool, NSW, Australia) ,  Field Matthew (Medical Physics, Ingham Institute for Applied Medical Research, Liverpool, NSW, Australia) ,  Field Matthew (South Western Sydney Clinical School, University of New South Wales, Liverpool, NSW, Australia) ,  Dowling Jason (Faculty of Medicine, University of New South Wales, Sydney, NSW, Australia) ,  Dowling Jason (The Australian e-Health and Research Centre, CSIRO Health and Biosecurity, Herston, QLD, Australia) ,  Vinod Shalini (South Western Sydney Clinical School, University of New South Wales, Liverpool, NSW, Australia) ,  Vinod Shalini (Liverpool & Macarthur Cancer Therapy Centres, Liverpool Hospital, Liverpool, NSW, Australia) ,  Holloway Lois (Medical Physics, Ingham Institute for Applied Medical Research, Liverpool, NSW, Australia) ,  Holloway Lois (South Western Sydney Clinical School, University of New South Wales, Liverpool, NSW, Australia) ,  Holloway Lois (Liverpool & Macarthur Cancer Therapy Centres, Liverpool Hospital, Liverpool, NSW, Australia) ,  Sowmya Arcot (School of Computer Science and Engineering, University of New South Wales, Sydney, NSW, Australia)
資料名： Artificial Intelligence in Medicine  (Artificial Intelligence in Medicine)
巻： 123  ページ： Null  発行年： 2022年 
JST資料番号： T0685A  ISSN： 0933-3657  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： 放射線画像は放射線療法,特に標的容積描写において中心的役割を果たす。ラジオミック特徴抽出は,治療前の患者の転帰と癌リスク評価を予測する可能性を実証した。しかし,厳しいクラス不均衡,小さな訓練サンプルサイズ,マルチ中心データ,および結果に対する画像表現の弱い相関のような固有の方法論的課題は,まだ十分に対処されていない。現在のラジオミック分析は,特徴抽出のためのセグメント化画像(例えば腫瘍)に依存し,周辺組織における重要なコンテキスト情報の損失をもたらす。本研究では,2つのデータ様式:前処理コンピュータトモグラフィ(CT)イメージングデータおよび分割総腫瘍容積(GTV)の輪郭を結合することにより,ラジオミクスと臨床転帰の間の相関を調べた。臨床頭頚部癌データセットに焦点を当て,課題に対処するために適切な機械学習戦略とともに効率的な畳み込みニューラルネットワーク(CNN)アーキテクチャを設計した。2つのコホートに関する訓練プロセスの間,著者らのアルゴリズムは,自動的にラジオミック特徴を抽出することによって,臨床結果予測を作り出すために学習する。2つの他のコホートに関する試験結果は,異なる臨床エンドポイント(すなわち,遠隔転移:AUC=0.91;局所障害:AUC=0.78;全生存:セグメント化CTデータに関するAUC=0.70)の予測において,以前の研究と比較して最先端の性能を示した。さらに,全CTデータセットとCTとGTV輪郭の組み合わせの両方について広範な実験を行い,このタスクに対する異なる学習戦略を調べた。例えば,更なる実験は,全生存予測がCTとGTV輪郭を入力として組合せることによって0.83AUCに有意に改善し,この組み合わせが患者転帰予測に対するより直感的な視覚説明を提供することを示した。Copyright 2022 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： アルゴリズム ,  視覚 ,  *セグメンテーション ,  特徴抽出 ,  腫瘍 ,  放射線療法 ,  母集団 ,  データフォーマット ,  計算機アーキテクチャ ,  頭頚部腫瘍 ,  計算機トモグラフィー ,  機械学習 ,  リスク評価
準シソーラス用語： 遠隔転移 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： 癌転帰予測 ,  頭頸部癌 ,  深層ニューラルネットワーク ,  ラジオミクスの特徴 ,  可視化解釈 ,  放射線治療

分類 (2件)： 医用画像処理  (JE04020T) ,  腫ようの診断  (GE03020J)

タイトルに関連する用語 (7件)： 臨床転帰 ,  予測 ,  ラジオミクス ,  CNN ,  訓練 ,  戦略 ,  所見