論文の概要: Analysis of clinical, dosimetric and radiomic features for predicting local failure after stereotactic radiotherapy of brain metastases in malignant melanoma

• arxiv url: http://arxiv.org/abs/2405.20825v2
• Date: Thu, 22 May 2025 07:13:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.605931
• Title: Analysis of clinical, dosimetric and radiomic features for predicting local failure after stereotactic radiotherapy of brain metastases in malignant melanoma
• Title（参考訳）: 悪性黒色腫における脳転移の定位放射線治療後の局所障害予測のための臨床的,線量的および放射線学的特徴の解析
• Authors: Nanna E. Hartong, Ilias Sachpazidis, Oliver Blanck, Lucas Etzel, Jan C. Peeken, Stephanie E. Combs, Horst Urbach, Maxim Zaitsev, Dimos Baltas, Ilinca Popp, Anca-Ligia Grosu, Tobias Fechter,
• Abstract要約: 本研究は悪性黒色腫脳転移症例に対する定位放射線治療後の病変特異的な予後を予測することを目的とした。 RFベースのモデルは臨床モデルよりも優れていたが、ドシメトリックデータだけでは予測できない。
• 参考スコア（独自算出の注目度）: 1.813829334805839
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: This study aimed to predict lesion-specific outcomes after stereotactic radiotherapy (SRT) in patients with brain metastases from malignant melanoma (MBM), using clinical, dosimetric pretherapeutic MRI data. Methods: In this multicenter retrospective study, 517 MBM from 130 patients treated with single-fraction or hypofractionated SRT across three centers were analyzed. From contrast-enhanced T1-weighted MRI, 1576 radiomic features (RF) were extracted per lesion - 788 from the gross tumor volume (GTV), 788 from a 3 mm peritumoral margin. Clinical data, radiation dose and RF from one center were used for feature selection and model development via nested cross-validation; external validation was performed using the other two centers. Results: Local failure occurred in 72 of 517 lesions (13.9%). Predictive models based on clinical data (model 1), RF (model 2), or both (model 3) achieved c-indices of 0.60 +/- 0.15, 0.65 +/- 0.11, and 0.65 +/- 0.12. RF-based models outperformed the clinical model, while dosimetric data alone were not predictive. Most predictive RF came from the peritumoral margin (92%) vs. GTV (76%). On the first external dataset, all models performed similarly (c-index: 0.60-0.63), but showed poor generalization on the second (c-index < 0.50), likely due to differences in patient characteristics and imaging protocols. Conclusions: Information extracted from pretherapeutic MRI, particularly from the peritumoral area, can support accurate prediction of lesion-specific outcomes after SRT in MBM. When combined with clinical data, these imaging-derived markers offer valuable prognostic insights. However, generalizability remains challenging by heterogeneity in patient populations and MRI protocols.
• Abstract（参考訳）: 背景: 本研究は, 悪性黒色腫(MBM)脳転移患者に対する定位放射線療法(SRT)後の病変特異的な予後を予測することを目的とした。 方法: この多施設振り返り調査では, シングルフレクションまたは低フレクションSRTで治療した130例の517 MBMを3施設で分析した。 造影T1強調MRIでは病変1例あたり1576例 (GTV788例, 縦隔3mm縁より788例) の放射線学的特徴を抽出した。 臨床データ,放射線線量,RFはネストクロスバリデーションによる特徴選択とモデル開発に用いられ,他の2つのセンターで外部検証を行った。 結果: 局所不全は517例中72例 (13.9%) であった。 臨床データ(モデル1)、RF(モデル2)、または両方(モデル3)に基づく予測モデルは、0.60 +/- 0.15、0.65 +/- 0.11、0.65 +/- 0.12のc指標を得た。 RFベースのモデルは臨床モデルよりも優れていたが、ドシメトリックデータだけでは予測できない。 最も予測的なRFは、周縁縁(92%)とGTV(76%)から来ていた。 第1の外部データセットでは、全てのモデルも同様に実行される(c-index: 0.60-0.63)が、第2のモデル(c-index < 0.50)では、おそらく患者特性と画像プロトコルの違いにより、一般化が不十分であった。 結論: 手術前MRI, 特に縦隔領域から抽出した情報は, MBMにおけるSRT後の病変特異的な結果の正確な予測を支援することができる。 臨床データと組み合わせると、これらの画像由来のマーカーは貴重な予後の洞察を与える。 しかし、患者集団とMRIプロトコルの不均一性により、一般化性は依然として困難である。

関連論文リスト

• Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
  BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。 それぞれの症例には、3D後T1強調放射線治療計画MRIがネイティブな取得スペースに含まれている。 ターゲットボリュームアノテーションは、確立された放射線治療計画プロトコルに準拠している。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• 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)
• Magnetic resonance delta radiomics to track radiation response in lung tumors receiving stereotactic MRI-guided radiotherapy [0.0]
  オントリート磁気共鳴(MR)画像から放射線線量応答を追跡するデルタ放射能の可能性を探る。 デルタ放射線は放射線照射と相関し,腫瘍のコントロールと生存について検討した。 スキューネス,伸長,フラットネスは局所再発のない生存と有意に関連していた。
  論文  参考訳（メタデータ） (2024-02-23T18:00:44Z)
• Classification of Radiologically Isolated Syndrome and Clinically Isolated Syndrome with Machine-Learning Techniques [0.0]
  多発性硬化症(MS)を示唆する無症候性白質病変の脳におけるMRIによる予期せぬ検出は、放射線学的に孤立した症候群(RIS)と命名された。 本研究の目的は, RIS 患者と CIS 患者を識別する手段として, 機械学習の分類手法を用いて形態計測指標を同定することであった。
  論文  参考訳（メタデータ） (2024-01-24T08:49:50Z)
• Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient Survivability Prediction [0.0]
  GBMは成人で最もアグレッシブな脳腫瘍であり、手術や放射線治療による攻撃的治療でも生存率が低い。 放射線治療後のGBM患者のMRIの変化は、放射線誘発壊死(RN)または再発脳腫瘍(rBT)の指標である 本研究では, rBT と RN の分類におけるサブセット標本サイズのバランスをとるために, 統計的に厳密な繰り返しランダムサブサンプリングを用いた計算モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-05T21:39:11Z)
• Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics and Machine Learning [7.165205048529115]
  放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。 この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。 以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
  論文  参考訳（メタデータ） (2023-02-17T10:55:18Z)
• Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
  化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。 セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。 提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
  論文  参考訳（メタデータ） (2022-11-08T11:50:31Z)
• Domain Adaptation of Automated Treatment Planning from Computed Tomography to Magnetic Resonance [0.5599792629509229]
  我々はCT学習機械学習モデルを用いた高許容磁気共鳴治療計画の作成を行った。 臨床的にCTによる計画から有意な線量偏差が認められた。
  論文  参考訳（メタデータ） (2022-03-07T18:18:00Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• 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)
• 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)

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。