文献

J-GLOBAL ID：202202262371952837   整理番号：22A0625060

子宮頸癌患者の予後を予測するための臨床および前処理18F-FDG-PET/CTラジオミック特徴の機械学習に基づく評価【JST・京大機械翻訳】

Machine learning based evaluation of clinical and pretreatment ¹⁸F-FDG-PET/CT radiomic features to predict prognosis of cervical cancer patients

著者 (9件)： Nakajo Masatoyo (Department of Radiology, Kagoshima University, Graduate School of Medical and Dental Sciences, Kagoshima, Japan) ,  Jinguji Megumi (Department of Radiology, Kagoshima University, Graduate School of Medical and Dental Sciences, Kagoshima, Japan) ,  Tani Atsushi (Department of Radiology, Kagoshima University, Graduate School of Medical and Dental Sciences, Kagoshima, Japan) ,  Yano Erina (Department of Radiology, Kagoshima University, Graduate School of Medical and Dental Sciences, Kagoshima, Japan) ,  Hoo Chin Khang (Department of Radiology, Kagoshima University, Graduate School of Medical and Dental Sciences, Kagoshima, Japan) ,  Hirahara Daisuke (Department of Management Planning Division, Harada Academy, Kagoshima, Japan) ,  Togami Shinichi (Department of Obstetrics and Gynecology, Kagoshima University, Graduate School of Medical and Dental Sciences, Kagoshima, Japan) ,  Kobayashi Hiroaki (Department of Obstetrics and Gynecology, Kagoshima University, Graduate School of Medical and Dental Sciences, Kagoshima, Japan) ,  Yoshiura Takashi (Department of Radiology, Kagoshima University, Graduate School of Medical and Dental Sciences, Kagoshima, Japan)
資料名： Abdominal Radiology  (Abdominal Radiology)
巻： 47  号： 2  ページ： 838-847  発行年： 2022年 
JST資料番号： W3979A  ISSN： 2366-0058  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 目的:2-デオキシ-2-[~18F]フルオロ-D-グルコース(18F-FDG)陽電子放出断層撮影/コンピュータ断層撮影(CT)(18F-FDG-PET/CT)の臨床および放射線特性を用いて,子宮頚癌の予後を予測する機械学習の有用性を検討する。方法:この後向き研究は,治療前に18F-FDG-PET/CTを受けた50の子宮頸癌患者を含んだ。4つの臨床(年齢,組織学,ステージおよび治療)および4118F-FDG-PETベースのラジオミック特徴をランク付けし,Gini不純物の減少に基づいて疾患進行との関連のための有用な特徴のサブセットを選択した。6つの機械学習アルゴリズム(ランダムフォレスト,ニューラルネットワーク,k-最近傍,ナイーブBayes,ロジスティック回帰,およびサポートベクトルマシン)を,受信者動作特性曲線(AUC)の下の領域を使用して比較した。無増悪生存率(PFS)をCox回帰分析を用いて評価した。結果:疾患進行の5つのトップ予測因子は,ステージ,表面積,代謝腫瘍容積,グレーレベルラン長さ不均一性(GLRLM_RLNU),およびランのグレーレベル不均一性(GLRLM_GLNU)であった。ナイーブBayesモデルは,疾患進行を予測するための最良形成分類器であった(AUC=0.872,精度=0.780,F1スコア=0.781,精度=0.788,および想起=0.780)。ナイーブBayesモデルにおいて,5年PFSは予測進行よりも予測非進行で有意に高く(80.1%対9.1%,p<0.001),多変量解析におけるPFSの独立因子のみだった(HR,6.89;95%CI,1.92~24.69;p=0.003)。結論:臨床的および治療前の18F-FDG PETに基づくラジオミック特徴に基づく機械学習アプローチは,子宮頸癌患者における腫瘍進行の予測に有用である可能性がある。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 回帰分析 ,  多変量解析 ,  ニューラルネットワーク ,  病状経過 ,  *予後 ,  *子宮頚部腫瘍 ,  PET【トモグラフィー】 ,  *機械学習 ,  学習アルゴリズム ,  サポートベクトルマシン
準シソーラス用語： 疾患進行 ,  ロジスティック回帰分析 ,  *FDG PET ,  *FDG-PET/CT ,  ランダムフォレスト ,  予測因子 , 【Automatic Indexing@JST】

著者キーワード (5件)： 子宮頚癌 ,  18 FDG ,  陽電子放出断層撮影コンピュータ断層撮影 ,  機械学習 ,  予後

分類 (2件)： 腫ようの診断  (GE03020J) ,  放射線を利用した診断  (GC04020K)

タイトルに関連する用語 (8件)： 子宮頸癌 ,  患者の予後 ,  予測 ,  臨床 ,  CT ,  ラジオ ,  機械学習 ,  評価