文献

J-GLOBAL ID：202202262782738149   整理番号：22A1025661

3.0T拡散尖度イメージングに基づくXGboost予測モデルはMRI BiRADS4腫瘤の診断精度を改善する【JST・京大機械翻訳】

XGboost Prediction Model Based on 3.0T Diffusion Kurtosis Imaging Improves the Diagnostic Accuracy of MRI BiRADS 4 Masses

著者 (10件)： Tang Wan (1Radiology Department, Second Affiliated Hospital of Shantou University Medical College, Shantou, China) ,  Tang Wan (2Institute of Health Monitoring, Inspection and Protection, Hubei Provincial Center for Disease Control and Prevention, Wuhan, China) ,  Zhou Han (1Radiology Department, Second Affiliated Hospital of Shantou University Medical College, Shantou, China) ,  Quan Tianhong (3Department of Electronic and information Engineering, College of Engineering, Shantou University, Shantou, China) ,  Chen Xiaoyan (1Radiology Department, Second Affiliated Hospital of Shantou University Medical College, Shantou, China) ,  Zhang Huanian (1Radiology Department, Second Affiliated Hospital of Shantou University Medical College, Shantou, China) ,  Lin Yan (1Radiology Department, Second Affiliated Hospital of Shantou University Medical College, Shantou, China) ,  Lin Yan (4Guangdong Provincial Key Laboratory for Breast Cancer Diagnosis and Treatment, Cancer Hospital of Shantou University Medical College, Shantou, China) ,  Wu Renhua (1Radiology Department, Second Affiliated Hospital of Shantou University Medical College, Shantou, China) ,  Wu Renhua (4Guangdong Provincial Key Laboratory for Breast Cancer Diagnosis and Treatment, Cancer Hospital of Shantou University Medical College, Shantou, China)
資料名： Frontiers in Oncology (Web)  (Frontiers in Oncology (Web))
巻： 12  ページ： 833680  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： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 背景:MRI BiRADS 4乳房病変の悪性確率は2%から95%の範囲であり,不必要な生検につながる。本研究の目的は,MRI BiRADS 4腫瘤の偽陽性率を低下させ,乳癌の診断効率を改善することが期待される,他のMRイメージング特徴および臨床的特性化と独立して,または共同でDKIの組み合わせを通して最適なXGboost予測モデルを構築することであった。【方法】158の乳房病変を有する120人の患者を登録した。DKI,拡散強調画像(DWI),陽子磁気共鳴分光法(1H-MRS)および動的コントラスト増強MRI(DCE-MRI)を3.0-Tスキャナで実施した。患者の臨床的特徴,平均尖度(MK),平均拡散率(MD),見かけの拡散係数(ADC),総コリン(tCho)ピーク,血管外細胞外容積率(V_e),フラックス速度定数(K_ep)および容積移動定数(Ktrans)を比較するために,Wilcoxon符号順位検定およびχ2検定を用いた。ROC曲線解析を用いて,画像パラメータの診断性能を分析した。スピアマン相関分析を行い,予後因子と乳癌分子サブタイプとのイメージングパラメータの関連性を評価した。最小絶対収縮と選択オペレータ(lasso)と画像パラメータの曲線下面積(AUC)を用いて,悪性病変から乳房良性病変を識別する識別特徴を選択した。最後に,XGboost予測モデルを識別特徴に基づいて構築し,その診断効率をBiRADS4質量で検証した。【結果】DKI由来のMKは,ADC,MD,tCho,K_epおよびKtrans(p<0.05)より悪性および良性病変を区別するために,より良好であった。また,MKは組織学的悪性度,Ki-67発現およびリンパ節状態とより強く相関することを示した。MD,MK,年齢,形状および月経状態を,XGboostモデルを構築するための最適化特徴サブセットとして選択し,MRI BiRADS 4における乳癌特性化および疑わしい乳房腫瘍の評価の改善に対する優れた診断能力を示した。結論:DKIは乳癌診断および予後因子評価に有望である。DKI,年齢,形状および月経状態を含む最適化XGboostモデルは,BiRADS4腫瘤の診断精度の改善に効果的である。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： コントラスト ,  最適化 ,  血管 ,  月経 ,  リンパ節 ,  *画像処理 ,  乳房 ,  走査装置 ,  生検 ,  パラメータ ,  NMRイメージング ,  乳房腫瘍 ,  *予測モデル
準シソーラス用語： *腫瘤 ,  予後因子 , 【Automatic Indexing@JST】

著者キーワード (5件)： 乳癌 ,  BiRADS4 ,  拡散尖度イメージング ,  イメージングマーカー ,  XGboostモデル

分類 (1件)： 腫ようの診断  (GE03020J)

引用文献 (40件)：

• Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA: Cancer J Clin (2021) 71(3):209-49. doi: doi: 10.3322/caac.21660
• Holm J, Eriksson L, Ploner A, Eriksson M, Rantalainen M, Li J, et al. Assessment of Breast Cancer Risk Factors Reveals Subtype Heterogeneity. Cancer Res (2017) 77(13):3708-17. doi: doi: 10.1158/0008-5472.Can-16-2574
• Perou CM, Sørlie T, Eisen MB, van de Rijn M, Jeffrey SS, Rees CA, et al. Molecular Portraits of Human Breast Tumours. Nature (2000) 406(6797):747-52. doi: doi: 10.1038/35021093
• Wei F, Chen W, Lin X. Efficacy and Safety of Adjuvant Endocrine Therapy in Premenopausal Patients With Early-Stage Hormone Receptor-Positive Breast Cancer: A Meta-Analysis of Randomized Controlled Trials. Breast J (2019) 25(6):1297-9. doi: doi: 10.1111/tbj.13465
• Kuhl CK. The Changing World of Breast Cancer: A Radiologist's Perspective. Invest Radiol (2015) 50(9):615-28. doi: doi: 10.1097/RLI.0000000000000166

タイトルに関連する用語 (7件)： 拡散 ,  尖度 ,  イメージング ,  予測モデル ,  MRI ,  腫瘤 ,  診断精度