論文の概要: CT Radiomics-Based Explainable Machine Learning Model for Accurate Differentiation of Malignant and Benign Endometrial Tumors: A Two-Center Study

• arxiv url: http://arxiv.org/abs/2506.18106v1
• Date: Sun, 22 Jun 2025 17:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.75221
• Title: CT Radiomics-Based Explainable Machine Learning Model for Accurate Differentiation of Malignant and Benign Endometrial Tumors: A Two-Center Study
• Title（参考訳）: CTラジオミクスによる良性および良性子宮内膜腫瘍の正確な鑑別のための説明可能な機械学習モデルに関する研究
• Authors: Tingrui Zhang, Honglin Wu, Zekun Jiang, Yingying Wang, Rui Ye, Huiming Ni, Chang Liu, Jin Cao, Xuan Sun, Rong Shao, Xiaorong Wei, Yingchun Sun,
• Abstract要約: 子宮内膜癌(EC)患者の悪性度と良性度を診断するためのCTラジオミクスを用いた説明可能な機械学習モデルを開発した。 モデルの診断性能は,感度,特異性,精度,精度,F1スコア,混乱行列,ROC曲線を用いて評価した。 ランダムフォレストモデルは、トレーニングAUCが1.00、テストAUCが0.96で、ECの診断に最適な選択として登場した。
• 参考スコア（独自算出の注目度）: 13.471659080928823
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aimed to develop and validate a CT radiomics-based explainable machine learning model for diagnosing malignancy and benignity specifically in endometrial cancer (EC) patients. A total of 83 EC patients from two centers, including 46 with malignant and 37 with benign conditions, were included, with data split into a training set (n=59) and a testing set (n=24). The regions of interest (ROIs) were manually segmented from pre-surgical CT scans, and 1132 radiomic features were extracted from the pre-surgical CT scans using Pyradiomics. Six explainable machine learning modeling algorithms were implemented respectively, for determining the optimal radiomics pipeline. The diagnostic performance of the radiomic model was evaluated by using sensitivity, specificity, accuracy, precision, F1 score, confusion matrices, and ROC curves. To enhance clinical understanding and usability, we separately implemented SHAP analysis and feature mapping visualization, and evaluated the calibration curve and decision curve. By comparing six modeling strategies, the Random Forest model emerged as the optimal choice for diagnosing EC, with a training AUC of 1.00 and a testing AUC of 0.96. SHAP identified the most important radiomic features, revealing that all selected features were significantly associated with EC (P < 0.05). Radiomics feature maps also provide a feasible assessment tool for clinical applications. DCA indicated a higher net benefit for our model compared to the "All" and "None" strategies, suggesting its clinical utility in identifying high-risk cases and reducing unnecessary interventions. In conclusion, the CT radiomics-based explainable machine learning model achieved high diagnostic performance, which could be used as an intelligent auxiliary tool for the diagnosis of endometrial cancer.
• Abstract（参考訳）: 子宮内膜癌(EC)患者における悪性度と良性診断のためのCTラジオミクスを用いた説明可能な機械学習モデルの開発と評価を目的とした。 悪性度46名,良性度37名を含む2施設の心電図患者83名を対象に,トレーニングセット(n=59)とテストセット(n=24)に分けた。 興味領域 (ROIs) は術前CTから手動で抽出し, 術前CTでは1132例の放射線学的特徴をPradiomicsを用いて抽出した。 最適放射能パイプラインを決定するために、6つの説明可能な機械学習モデリングアルゴリズムをそれぞれ実装した。 感度,特異性,精度,精度,F1スコア,混乱行列,ROC曲線を用いて,放射能モデルの診断性能を評価した。 臨床的理解とユーザビリティを高めるため,SHAP解析と特徴マッピング視覚化を別々に実施し,校正曲線と判定曲線を評価した。 6つのモデリング戦略を比較することで、ランダムフォレストモデルがECの診断に最適な選択肢となり、トレーニングAUCは1.00、テストAUCは0.96となった。 SHAPは最も重要な放射能の特徴を特定し、選択された全ての特徴がECと大きく関連していることを明らかにした(P < 0.05)。 放射能の特徴マップは、臨床応用のための実行可能な評価ツールも提供する。 DCAは「全」と「無」の戦略よりもモデルに有益であることが示唆され、リスクの高い症例を同定し、不要な介入を減らすための臨床効果が示唆された。 結論として、CTラジオミクスを用いた説明可能な機械学習モデルは、子宮内膜癌の診断のためのインテリジェント補助ツールとして使用できる、高い診断性能を達成した。

関連論文リスト

• MGH Radiology Llama: A Llama 3 70B Model for Radiology [50.42811030970618]
  本稿では,高度な放射線学に焦点を当てた大規模言語モデルMGH Radiology Llamaを提案する。 Llama 3 70Bモデルを使用して開発され、Radiology-GPTやRadiology-Llama2といった従来のドメイン固有モデルをベースにしている。 従来の指標とGPT-4に基づく評価の両方を取り入れた評価では,汎用LLMよりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-08-13T01:30:03Z)
• Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling [4.1032659987778315]
  放射線的特徴セットの高次元性、放射線的特徴タイプの変動性、そして潜在的に高い計算要求は、全て、与えられた臨床問題に対する最小の予測的特徴セットを特定する効果的な方法の必要性を浮き彫りにしている。 我々は,最小限の放射線学的特徴を識別し,説明するための方法論とツールを開発する。
  論文  参考訳（メタデータ） (2024-07-05T23:14:46Z)
• Exploring Kinetic Curves Features for the Classification of Benign and Malignant Breast Lesions in DCE-MRI [3.3382992386198675]
  胸部良性病変と悪性病変の分類精度を高めるため, 運動曲線および放射線学的特徴の動的特性を活用することを提案する。 提案手法は,200個のDCE-MRIスキャンと298個の乳腺腫瘍を含む社内データセットを用いて評価した。
  論文  参考訳（メタデータ） (2024-04-22T07:08:13Z)
• Radiomics as a measure superior to the Dice similarity coefficient for tumor segmentation performance evaluation [0.0]
  本研究は, 医師のセグメンテーション能力と自動セグメンテーションツールを評価するための優れた尺度として, 放射能の特徴を提案する。 放射線の特徴、特に形状とエネルギーに関連するものは、Dice similarity Coefficient (DSC)とは異なり、腫瘍のセグメンテーション特性の微妙な変化を捉えることができる。 発見は、これらの新しい指標が、新しい自己隔離法を評価し、医療セグメント化における個人のトレーニングを強化するために使われることを示唆している。
  論文  参考訳（メタデータ） (2023-10-30T21:50:08Z)
• ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
  ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。 本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-08T17:23:17Z)
• 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)
• Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for Attribute-Based Medical Image Diagnosis [42.624671531003166]
  本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。 我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
  論文  参考訳（メタデータ） (2022-08-19T12:06:46Z)
• Interpretative Computer-aided Lung Cancer Diagnosis: from Radiology Analysis to Malignancy Evaluation [13.62944920454488]
  肺結節悪性度を評価するために,r2mnet (joint radiology analysis and malignancy evaluation network) を提案する。 提案法は, 放射線学解析では96.27%, 結節悪性度評価では97.52%であった。
  論文  参考訳（メタデータ） (2021-02-22T11:40:43Z)
• 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。