文献

J-GLOBAL ID：202202255007848423   整理番号：22A1025356

病気の診断と治療のためのラジオミクスによる深層学習:挑戦と可能性【JST・京大機械翻訳】

Deep Learning With Radiomics for Disease Diagnosis and Treatment: Challenges and Potential

著者 (9件)： Zhang Xingping (1Institute of Advanced Cyberspace Technology, Guangzhou University, Guangzhou, China) ,  Zhang Xingping (2Department of New Networks, Peng Cheng Laboratory, Shenzhen, China) ,  Zhang Yanchun (1Institute of Advanced Cyberspace Technology, Guangzhou University, Guangzhou, China) ,  Zhang Yanchun (2Department of New Networks, Peng Cheng Laboratory, Shenzhen, China) ,  Zhang Guijuan (3Department of Respiratory Medicine, First Affiliated Hospital of Gannan Medical University, Ganzhou, China) ,  Qiu Xingting (4Department of Radiology, First Affiliated Hospital of Gannan Medical University, Ganzhou, China) ,  Tan Wenjun (5Key Laboratory of Intelligent Computing in Medical Image, Ministry of Education, Shenyang, China) ,  Yin Xiaoxia (1Institute of Advanced Cyberspace Technology, Guangzhou University, Guangzhou, China) ,  Liao Liefa (6School of Information Engineering, Jiangxi University of Science and Technology, Ganzhou, China)
資料名： Frontiers in Oncology (Web)  (Frontiers in Oncology (Web))
巻： 12  ページ： 773840  発行年： 2022年 
JST資料番号： U7089A  ISSN： 2234-943X  資料種別： 逐次刊行物 (A)
記事区分： 文献レビュー  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 放射線分析の目的のための医用画像からの定量的イメージング特徴のハイスループット抽出,すなわち,広い意味におけるラジノミクスは,特にマルチモーダルおよびマルチオミクス研究において,ますます興味を引きつけている,急速に発展し,新興の研究分野である。この状況において,多次元データの定量分析は,異なる組織と器官とそれらの微小環境の時空間特性を評価する際に重要な役割を果たす。ここでは,手動で定義された特徴,データ取得および前処理,病変セグメンテーション,特徴抽出,特徴選択および次元縮小,統計解析およびモデル構築を含む,この方法における最近の開発をレビューした。さらに,自動セグメンテーションと無線分析に対する深層学習ベース技術を,厳密なワークフロー,手動/半自動病変アノテーション,および不適切な特徴基準,および多施設検証のような限界に対処するために解析した。さらに,疾患診断,治療応答,および放射線医学画像,マルチモーダル画像,病理組織像,および三次元線量分布データの観点から,特に腫瘍学において,この技術の最新の応用の要約を示した。診断および治療戦略におけるラジノミクスの可能性および価値をさらに分析し,放射線療法におけるドシオミクスに関連する進歩および課題をまとめ,ラジオミクスにおける最新の進展を強調した。最後に,放射線分析のロバストなフレームワークを提示し,今後の開発に対する課題と推奨事項について,モデル安定性(医学の大きなデータと多タイプデータおよび医療における専門家知識),データ駆動プロセスの限界(研究の解釈と解釈可能性,様々な機関に対する異なる処理代替,および前向き研究と臨床試験),および将来の方向(ラジミクス分析に対する臨床応用とオープンプラットフォームを達成する能力)に関する考察を含めて,議論と今後の発展のための推奨事項について論じて,今後の発展のための課題と推奨事項について論じる。また,将来の方向に関する考察(研究,様々な機関のための様々な処理代替案,および前向き研究および臨床試験),および将来の方向に関する思考(ラジオミクス分析のための能力)について考察した。Copyright 2022 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： *セグメンテーション ,  特徴抽出 ,  定量分析 ,  画像処理 ,  臨床試験 ,  スループット ,  医用画像 ,  多モード ,  三次元 ,  データ収集 ,  ロバスト性 ,  治療計画 ,  *機械学習 ,  アノテーション
準シソーラス用語： ハイスループット ,  *オミックス ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： ラジオミクス ,  深層学習 ,  マルチモーダル画像 ,  精密診断と治療 ,  ドシオミクス

分類 (3件)： 医用画像処理  (JE04020T) ,  パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

引用文献 (185件)：

• Tomaszewski MR, Gillies RJ. The Biological Meaning of Radiomic Features. Radiology (2021) 298:505-16. doi: doi: 10.1148/radiol.2021202553
• Mayerhoefer ME, Materka A, Langs G, Haggstrom I, Szczypiriski P, Gibbs P, et al. Introduction to Radiomics. J Nucl Med (2020) 61:488-95. doi: doi: 10.2967/jnumed.118.222893
• Wang Y, Herrington DM. Machine Intelligence Enabled Radiomics. Nat Mach Intell (2021) 3:838-9. doi: doi: 10.1038/s42256-021-00404-0
• Ibrahim A, Primakov S, Beuque M, Woodruff HC, Halilaj I, Wu G, et al. Radiomics for Precision Medicine: Current Challenges, Future Prospects, and the Proposal of a New Framework. Methods (2021) 188:20-9. doi: doi: 10.1016/j.ymeth.2020.05.022
• Singh G, Manjila S, Sakla N, True A, Wardeh AH, Beig N, et al. Radiomics and Radiogenomics in Gliomas: A Contemporary Update. Br J Cancer (2021) 125:641-57. doi: doi: 10.1038/s41416-021-01387-w

タイトルに関連する用語 (6件)： 病気 ,  診断 ,  治療 ,  ラジオミクス ,  深層学習 ,  可能性