論文の概要: Differential diagnosis and molecular stratification of gastrointestinal stromal tumors on CT images using a radiomics approach

• arxiv url: http://arxiv.org/abs/2010.06824v2
• Date: Thu, 15 Oct 2020 06:12:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 14:13:21.580650
• Title: Differential diagnosis and molecular stratification of gastrointestinal stromal tumors on CT images using a radiomics approach
• Title（参考訳）: X線学的アプローチによるCT画像上の消化管間質腫瘍の鑑別診断と分子層化
• Authors: Martijn P.A. Starmans, Milea J.M. Timbergen, Melissa Vos, Michel Renckens, Dirk J. Gr\"unhagen, Geert J.L.H. van Leenders, Roy S. Dwarkasing, Fran\c{c}ois E. J. A. Willemssen, Wiro J. Niessen, Cornelis Verhoef, Stefan Sleijfer, Jacob J. Visser, and Stefan Klein
• Abstract要約: 他の腹腔内腫瘍からの消化管間質腫瘍の鑑別は治療計画に必要である。 GISTを非GISTSと区別し,3名の放射線科医に類似した成績を示した。
• 参考スコア（独自算出の注目度）: 2.883829621331867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distinguishing gastrointestinal stromal tumors (GISTs) from other intra-abdominal tumors and GISTs molecular analysis is necessary for treatment planning, but challenging due to its rarity. The aim of this study was to evaluate radiomics for distinguishing GISTs from other intra-abdominal tumors, and in GISTs, predict the c-KIT, PDGFRA,BRAF mutational status and mitotic index (MI). All 247 included patients (125 GISTS, 122 non-GISTs) underwent a contrast-enhanced venous phase CT. The GIST vs. non-GIST radiomics model, including imaging, age, sex and location, had a mean area under the curve (AUC) of 0.82. Three radiologists had an AUC of 0.69, 0.76, and 0.84, respectively. The radiomics model had an AUC of 0.52 for c-KIT, 0.56 for c-KIT exon 11, and 0.52 for the MI. Hence, our radiomics model was able to distinguish GIST from non-GISTS with a performance similar to three radiologists, but was not able to predict the c-KIT mutation or MI.
• Abstract（参考訳）: 他の腹腔内腫瘍やGISTs分子解析から胃腸管間質腫瘍(GISTs)を摘出することは治療計画に必要であるが,その希少性のため困難である。 本研究の目的は, 他の腹腔内腫瘍とGISTを鑑別するための放射線学的検討であり, GISTではc-KIT, PDGFRA, BRAF変異状況およびミトーシス指標(MI)を予測することである。 247例中125例(非GIST122例)に造影CTを施行した。 gist 対 non-gist radiomics モデル (画像, 年齢, 性別, 位置を含む) では, 平均面積は 0.82 であった。 3人の放射線学者はそれぞれ0.69、0.76、0.84のAUCを持っていた。 放射能モデルは、c-KITは0.52、c-KITエキソン11は0.56、MIは0.52である。 したがって,我々は放射線科医3名と同様の性能でgistと非gistを区別することができたが,c-kit変異やmiは予測できなかった。

関連論文リスト

• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• EGFR mutation prediction using F18-FDG PET-CT based radiomics features in non-small cell lung cancer [0.0]
  本研究の目的は,PET-CT画像から抽出した放射線学的特徴を用いた非小細胞肺癌患者のEGFRの変異状況を予測することである。
  論文  参考訳（メタデータ） (2023-03-14T01:25:54Z)
• CancerUniT: Towards a Single Unified Model for Effective Detection, Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans [45.83431075462771]
  ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。 ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。 CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
  論文  参考訳（メタデータ） (2023-01-28T20:09:34Z)
• Non-invasive Liver Fibrosis Screening on CT Images using Radiomics [0.0]
  本研究の目的は,肝のCTで肝線維症を検出するための放射能機械学習モデルの開発と評価である。 肝線維症スクリーニングモデルの開発には,AUCの最高値と組み合わせ,選択された特徴を併用した。
  論文  参考訳（メタデータ） (2022-11-25T22:33:22Z)
• MRI-based classification of IDH mutation and 1p/19q codeletion status of gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
  グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。 我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。 2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
  論文  参考訳（メタデータ） (2022-10-07T18:46:39Z)
• 3D-Morphomics, Morphological Features on CT scans for lung nodule malignancy diagnosis [8.728543774561405]
  本研究はCTボリュームにおける形態学的特徴(3次元形態学)に基づく病理状態の予測モデルを構築した。 その後、XGBoost教師付き分類器が3次元形態学で訓練され、病理状態を予測する。 肺結節の悪性度と良性度との分類モデルでは, 3D-morphomicsのみを用いて0.964のAUCが得られる。
  論文  参考訳（メタデータ） (2022-07-27T23:50:47Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• Machine Learning Automatically Detects COVID-19 using Chest CTs in a Large Multicenter Cohort [43.99203831722203]
  16施設2096例の胸部CT検査を行った。 新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。 深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
  論文  参考訳（メタデータ） (2020-06-09T00:40:35Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)
• A neural network model that learns differences in diagnosis strategies among radiologists has an improved area under the curve for aneurysm status classification in magnetic resonance angiography image series [0.0]
  この振り返り研究には、3423の飛行時間脳磁気共鳴血管造影画像シリーズが含まれていた。 画像は4人の検診医の1人によって、動脈瘤のステータスのために独立して読み上げられた。 構築した神経回路は, 動脈瘤領域を0から5に分類するために訓練された。
  論文  参考訳（メタデータ） (2020-02-03T19:19:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。