論文の概要: Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma
Chemoradiotherapy using Planning CT-based Radiomics Model
- arxiv url: http://arxiv.org/abs/2309.02562v1
- Date: Tue, 5 Sep 2023 20:22:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 17:36:56.712331
- Title: Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma
Chemoradiotherapy using Planning CT-based Radiomics Model
- Title(参考訳): CT-based radiomics Model を用いた肛門扁平上皮癌化学療法の再発無生存予測
- Authors: Shanshan Tang, Kai Wang, David Hein, Gloria Lin, Nina N. Sanford, Jing
Wang
- Abstract要約: 非転移性肛門扁平上皮癌(SCC)患者の約30%が化学療法後の再発を経験する
我々は,放射線前処置計画CTから抽出した情報を利用して,CRT後のSCC患者における再発無生存(RFS)を予測するモデルを開発した。
- 参考スコア(独自算出の注目度): 5.485361086613949
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Objectives: Approximately 30% of non-metastatic anal squamous cell carcinoma
(ASCC) patients will experience recurrence after chemoradiotherapy (CRT), and
currently available clinical variables are poor predictors of treatment
response. We aimed to develop a model leveraging information extracted from
radiation pretreatment planning CT to predict recurrence-free survival (RFS) in
ASCC patients after CRT. Methods: Radiomics features were extracted from
planning CT images of 96 ASCC patients. Following pre-feature selection, the
optimal feature set was selected via step-forward feature selection with a
multivariate Cox proportional hazard model. The RFS prediction was generated
from a radiomics-clinical combined model based on an optimal feature set with
five repeats of five-fold cross validation. The risk stratification ability of
the proposed model was evaluated with Kaplan-Meier analysis. Results: Shape-
and texture-based radiomics features significantly predicted RFS. Compared to a
clinical-only model, radiomics-clinical combined model achieves better
performance in the testing cohort with higher C-index (0.80 vs 0.73) and AUC
(0.84 vs 0.79 for 1-year RFS, 0.84 vs 0.78 for 2-year RFS, and 0.86 vs 0.83 for
3-year RFS), leading to distinctive high- and low-risk of recurrence groups
(p<0.001). Conclusions: A treatment planning CT based radiomics and clinical
combined model had improved prognostic performance in predicting RFS for ASCC
patients treated with CRT as compared to a model using clinical features only.
- Abstract(参考訳): 目的:非転移性陰茎扁平上皮癌(ascc)患者の約30%は、放射線化学療法(crt)後に再発し、現在利用可能な臨床変数は治療反応の予測因子に乏しい。
CRT後のASCC患者における放射線前処置計画CTから抽出した情報を利用した再発無生存(RFS)予測モデルの開発を目的とした。
方法:ASCC96例のCT像から放射線学的特徴を抽出した。
先行特徴選択後,多変量cox比例ハザードモデルを用いたステップフォワード特徴選択により最適な特徴セットを選定した。
RFS予測は、5倍のクロスバリデーションを5回繰り返した最適特徴セットに基づいて放射能・クリニカル複合モデルから生成した。
提案モデルのリスク階層化能力をkaplan-meier分析により評価した。
結果: 形状とテクスチャに基づく放射能は, RFSを有意に予測した。
臨床のみのモデルと比較して、放射性ミクス-臨床結合モデルは、高いc-index (0.80 vs 0.73) と auc (0.84 vs 0.79 for 1-year rfs, 0.84 vs 0.78 for 2-year rfs, 0.86 vs 0.83 for 3-year rfs) を持つテストコホートにおいて優れた性能を達成する。
結論:CTをベースとした放射線治療計画モデルと臨床併用モデルでは,臨床像のみを用いたモデルと比較して,CRTを併用したASCC患者のRASの予後が改善した。
関連論文リスト
- A multimodal ensemble approach for clear cell renal cell carcinoma treatment outcome prediction [6.199310532720352]
臨床データ,マルチオミクスデータ,および病理組織学的全スライド画像(WSI)データを統合するマルチモーダルアンサンブルモデル(MMEM)を開発した。
MMEMはccRCC患者の全身生存率(OS)と無病生存率(DFS)を予測した。
論文 参考訳(メタデータ) (2024-12-10T02:51:14Z) - Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach
Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。
提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
論文 参考訳(メタデータ) (2024-01-28T23:33:56Z) - Neural Network-Based Histologic Remission Prediction In Ulcerative
Colitis [38.150634108667774]
潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解
内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。
本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2023-08-28T15:54:14Z) - Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT
by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。
発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
論文 参考訳(メタデータ) (2023-08-01T12:46:02Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳(メタデータ) (2023-07-07T13:09:07Z) - Prediction of Rapid Early Progression and Survival Risk with
Pre-Radiation MRI in WHO Grade 4 Glioma Patients [0.5365740459403827]
非REP症例からのREP予測のための診断・予後ツールとして,Ra-diomics,高度多分解能フラクタルテクスチャ,分子特性について検討した。
コホートの生存予測は0.881の精度で、標準偏差は0.056である。
さらに, マルチ分解能フラクタルテクスチャ特性は, REPやサバイバル結果の従来の放射能特性よりも優れていた。
論文 参考訳(メタデータ) (2023-06-28T20:03:18Z) - Towards Outcome-Driven Patient Subgroups: A Machine Learning Analysis
Across Six Depression Treatment Studies [41.34047608276278]
神経回路モデルを用いてうつ病の薬理学的治療6治験のデータを解析した。
5種類のモノセラピーと3種類の併用療法に対して,寛解率と解離確率を分類し,個別解離確率を推定するモデルを構築した。
ポストホック分析は、トレーニング中に学んだ患者プロトタイプに基づいてクラスター(サブグループ)を得た。
論文 参考訳(メタデータ) (2023-03-24T14:34:09Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳(メタデータ) (2023-03-09T15:38:16Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳(メタデータ) (2023-02-02T08:45:17Z) - An Interpretable Web-based Glioblastoma Multiforme Prognosis Prediction
Tool using Random Forest Model [1.1024591739346292]
治療後1年間のGBM患者の健康状態を推定する予測モデルを提案する。
総計467名のGBM患者の臨床像を13の特徴と2つの経過日で比較検討した。
GBM患者生存の予後因子のトップ3はMGMT遺伝子プロモーター,切除範囲,年齢であった。
論文 参考訳(メタデータ) (2021-08-30T07:56:34Z) - 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)
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。