論文の概要: Prediction of Local Failure after Stereotactic Radiotherapy in Melanoma Brain Metastases Using Ensemble Learning on Clinical, Dosimetric, and Radiomic Data

• arxiv url: http://arxiv.org/abs/2405.20825v3
• Date: Thu, 28 Aug 2025 09:34:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 13:55:30.440424
• Title: Prediction of Local Failure after Stereotactic Radiotherapy in Melanoma Brain Metastases Using Ensemble Learning on Clinical, Dosimetric, and Radiomic Data
• Title（参考訳）: 悪性黒色腫脳転移に対する定位放射線治療後の局所不全の予測 : 臨床,ドシメトリー,放射線データを用いたアンサンブルラーニング
• 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ベースモデルは臨床モデルより優れており,ドシメトリックデータだけでは予測的ではなかった。
• 参考スコア（独自算出の注目度）: 0.7536625319739964
• 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, and pretherapeutic MRI data. Methods: In this multicenter retrospective study, 517 MBM from 130 patients treated with single-fraction or hypofractionated SRT at 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) and 788 from a 3 mm peritumoral margin. Clinical, dosimetric and RF data from one center were used for feature selection and model development via nested cross-validation employing an ensemble learning approach; external validation used data from the other two centers. Results: Local failure occurred in 72/517 lesions (13.9%). Predictive models based on clinical data, RF, or a combination of both achieved c-indices of 0.60 +/- 0.15, 0.65 +/- 0.11, and 0.65 +/- 0.12, respectively. RF-based models outperformed the clinical models; dosimetric data alone were not predictive. Most predictive RF originated from the peritumoral margin (92%) versus GTV (76%). On the first external dataset, all models performed similarly (c-index: 0.60-0.63), but generalization was poor on the second (c-index < 0.50), likely due to differences in patient characteristics and imaging protocols. Conclusions: Pretherapeutic MRI features, particularly from the peritumoral region, show promise for predicting lesion-specific outcomes in MBM after SRT. Their consistent contribution suggests biologically relevant information that may support individualized treatment planning. Combined with clinical data, these markers offer prognostic insight, though generalizability remains limited by data heterogeneity.
• 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立体放射線療法(SRT)後の病変特異的な予後を予測することを目的として, 臨床, ドシメトリーおよび術前MRIデータを用いて検討した。 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を3施設で治療した130例から517例のMBMを解析した。 造影T1強調MRIでは病変1例あたり1576例,GTVでは788例,経時的縁では788例であった。 臨床, 線量測定, RFデータは, アンサンブル学習を用いたネスト型クロスバリデーションによる特徴選択, モデル開発に利用され, 外部検証では, 他2施設のデータを使用した。 結果: 72/517病変 (13.9%) に局所的障害を認めた。 臨床データに基づく予測モデルは、それぞれ0.60+/-0.15、0.65+/-0.11、0.65+/-0.12である。 RFベースのモデルは臨床モデルよりも優れており、ドシメトリックデータだけでは予測的ではなかった。 ほとんどの予測RFは、周縁縁(92%)とGTV(76%)に由来する。 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のモデルでは一般化が不十分であった(c-index < 0.50)。 結論: SRT後, MBMの病変特異的な予後を予測するため, 治療前MRI像, 特に縦隔領域の所見は有意である。 彼らの一貫した貢献は、個別化された治療計画を支援する生物学的関連情報を示唆している。 臨床データと組み合わせると、これらのマーカーは予後に関する洞察を与えるが、一般化性はデータの不均一性によって制限される。

関連論文リスト

• The added value for MRI radiomics and deep-learning for glioblastoma prognostication compared to clinical and molecular information [0.0]
  放射線学はグリオ芽腫を特徴付けることを約束しているが、その付加価値はまだ証明されていない。 本研究は, Glioblastoma prognosisに対する従来の放射線学(CR)および深部学習(DL)MRIの付加価値について検討した。
  論文  参考訳（メタデータ） (2025-07-21T12:27:07Z)
• Multimodal MRI-Ultrasound AI for Prostate Cancer Detection Outperforms Radiologist MRI Interpretation: A Multi-Center Study [2.493694664727448]
  前立腺病変に対するMRI(pre-biopsy magnetic resonance imaging)の使用が増えている。 MRIで検出された病変は生検中に経直腸超音波(TRUS)画像にマッピングされなければならず、臨床上有意な前立腺癌(CsPCa)を発症する。 本研究では、MRIとTRUS画像シーケンスを統合したマルチモーダルAIフレームワークを体系的に評価し、CsPCa識別を向上する。
  論文  参考訳（メタデータ） (2025-01-31T20:04:20Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• 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)
• Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma Chemoradiotherapy using Planning CT-based Radiomics Model [5.485361086613949]
  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。
  論文  参考訳（メタデータ） (2023-09-05T20:22:26Z)
• 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)
• 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)
• 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)
• Modeling of Textures to Predict Immune Cell Status and Survival of Brain Tumour Patients [4.542148087324063]
  放射線医学は、グリオーマのような様々な種類のがんが臨床結果を予測する能力を示した。 深部放射線学的特徴(DRF)を用いたグリオーマ患者の免疫マーカー(低値と高値)と生存率の予測を目指す。 提案したDRFと3つの免疫細胞マーカー(マクロファージM1,好中球,T細胞卵胞ヘルパー)の関連性を評価し,それらの生存率との関連性について検討した。
  論文  参考訳（メタデータ） (2022-06-04T03:52:12Z)
• 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)
• Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
  我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。 前立腺切除術による脱線をMRIでトレーニングした。 前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
  論文  参考訳（メタデータ） (2020-10-28T21:07:09Z)
• 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。