Fugu-MT 論文翻訳(概要): EGFR mutation prediction using F18-FDG PET-CT based radiomics features in non-small cell lung cancer

論文の概要: EGFR mutation prediction using F18-FDG PET-CT based radiomics features in non-small cell lung cancer

arxiv url: http://arxiv.org/abs/2303.08569v1
Date: Tue, 14 Mar 2023 01:25:54 GMT
ステータス: 処理完了
システム内更新日: 2023-03-16 13:49:25.969755
Title: EGFR mutation prediction using F18-FDG PET-CT based radiomics features in non-small cell lung cancer
Title（参考訳）: 非小細胞肺癌におけるF18-FDG PET-CTを用いたEGFR変異予測
Authors: Hector Henriquez, Diana Fuentes, Francisco Suarez, Patricio Gonzalez
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Lung cancer is the leading cause of cancer death in the world. Accurate determination of the EGFR (epidermal growth factor receptor) mutation status is highly relevant for the proper treatment of this patients. Purpose: The aim of this study was to predict the mutational status of the EGFR in non-small cell lung cancer patients using radiomics features extracted from PET-CT images. Methods: Retrospective study that involve 34 patients with lung cancer confirmed by histology and EGFR status mutation assessment. A total of 2.205 radiomics features were extracted from manual segmentation of the PET-CT images using pyradiomics library. Both computed tomography and positron emission tomography images were used. All images were acquired with intravenous iodinated contrast and F18-FDG. Preprocessing includes resampling, normalization, and discretization of the pixel intensity. Three methods were used for the feature selection process: backward selection (set 1), forward selection (set 2), and feature importance analysis of random forest model (set 3). Nine machine learning methods were used for radiomics model building. Results: 35.2% of patients had EGFR mutation, without significant differences in age, gender, tumor size and SUVmax. After the feature selection process 6, 7 and 17 radiomics features were selected, respectively in each group. The best performances were obtained by Ridge Regression in set 1: AUC of 0.826 (95% CI, 0.811 - 0.839), Random Forest in set 2: AUC of 0.823 (95% CI, 0.808 - 0.838) and Neural Network in set 3: AUC of 0.821 (95% CI, 0.808 - 0.835). Conclusion: The radiomics features analysis has the potential of predicting clinically relevant mutations in lung cancer patients through a non-invasive methodology.
Abstract（参考訳）: 肺がんは世界でもがん死の主な原因である。 EGFR (epidermal growth factor receptor) 変異の正確な判定は, 本症例の適切な治療に極めて重要である。目的:PET-CT画像から抽出した放射線学的特徴を用いて,非小細胞肺癌患者のEGFRの変異状況を予測することを目的とした。方法: 肺がん患者34名を対象に, 病理組織学的, EGFR像の変異評価を行った。 PET-CT画像の2.205個の放射能の特徴をピラディオミクスライブラリーを用いて抽出した。コンピュータ断層撮影とポジトロン放射断層撮影の両方が用いられた。すべての画像は静脈内ヨウ素化コントラストとf18-fdgで得られた。前処理には再サンプリング、正規化、画素強度の離散化が含まれる。特徴選択には, 後方選択法(セット1), 前方選択法(セット2), ランダムフォレストモデル(セット3)の特徴重要度解析法(セット3)の3つの方法が用いられた。放射線モデル構築には9つの機械学習手法が用いられた。結果: egfr変異は35.2%で, 年齢, 性別, 腫瘍サイズ, suvmaxに有意差はなかった。特徴選択処理6,7,17の放射能特徴をそれぞれグループ毎に選択した。最高のパフォーマンスは、Rook Regression in set 1: AUC of 0.826 (95% CI, 0.811 - 0.839)、Random Forest in set 2: AUC of 0.823 (95% CI, 0.808 - 0.838)、Neural Network in set 3: AUC of 0.821 (95% CI, 0.808 - 0.835)である。結論:radiomics feature analysisは非侵襲的手法によって肺癌患者の臨床的に関連のある突然変異を予測する可能性を秘めている。

関連論文リスト

Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
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)
Whole-body tumor segmentation of 18F -FDG PET/CT using a cascaded and ensembled convolutional neural networks [2.735686397209314]
本研究の目的は、18F-FDG PET/CT画像全体において癌疑い領域を自動的に分割するディープニューラルネットワークの性能を報告することである。 PET/CT画像を6mmの解像度で3D UNET CNNの重ね合わせで処理するケースドアプローチを開発した。
論文参考訳（メタデータ） (2022-10-14T19:25:56Z)
EGFR Mutation Prediction of Lung Biopsy Images using Deep Learning [1.793983482813105]
本研究では,EGFR変異の形態的相関を識別するために,教師の弱いカスタマイズ深層学習パイプラインを用いた。病理組織学的に腺癌と扁平上皮癌との鑑別は0.942であった。 EGFR検出では,TGAデータセットでは平均0.864AUC,インドからのデータセットでは0.783AUCを達成した。
論文参考訳（メタデータ） (2022-08-26T08:56:33Z)
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)
A framework for quantitative analysis of Computed Tomography images of viral pneumonitis: radiomic features in COVID and non-COVID patients [0.0]
1028個の胸部CT像を肺抽出のために自動的に分離した。ガウスモデルを用いて, 肺の正常な部位と重症部位を定量的に表す指標(QM)を算出した。両側肺から第1,第2次放射線学的特徴(RF)を抽出した。新型コロナウイルスと非ウイルス性肺炎を分類する人工知能ベースの4つのモデルを開発した。
論文参考訳（メタデータ） (2021-09-28T15:22:24Z)
Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文参考訳（メタデータ） (2020-07-20T19:08:50Z)
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)
Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文参考訳（メタデータ） (2020-03-26T15:49:32Z)
Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。