論文の概要: The added value for MRI radiomics and deep-learning for glioblastoma prognostication compared to clinical and molecular information

• arxiv url: http://arxiv.org/abs/2507.15548v1
• Date: Mon, 21 Jul 2025 12:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.387612
• Title: The added value for MRI radiomics and deep-learning for glioblastoma prognostication compared to clinical and molecular information
• Title（参考訳）: MRI放射線検査と深層学習の意義 : 臨床および分子情報との比較
• Authors: D. Abler, O. Pusterla, A. Joye-Kühnis, N. Andratschke, M. Bach, A. Bink, S. M. Christ, P. Hagmann, B. Pouymayou, E. Pravatà, P. Radojewski, M. Reyes, L. Ruinelli, R. Schaer, B. Stieltjes, G. Treglia, W. Valenzuela, R. Wiest, S. Zoergiebel, M. Guckenberger, S. Tanadini-Lang, A. Depeursinge,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Radiomics shows promise in characterizing glioblastoma, but its added value over clinical and molecular predictors has yet to be proven. This study assessed the added value of conventional radiomics (CR) and deep learning (DL) MRI radiomics for glioblastoma prognosis (<= 6 vs > 6 months survival) on a large multi-center dataset. Methods: After patient selection, our curated dataset gathers 1152 glioblastoma (WHO 2016) patients from five Swiss centers and one public source. It included clinical (age, gender), molecular (MGMT, IDH), and baseline MRI data (T1, T1 contrast, FLAIR, T2) with tumor regions. CR and DL models were developed using standard methods and evaluated on internal and external cohorts. Sub-analyses assessed models with different feature sets (imaging-only, clinical/molecular-only, combined-features) and patient subsets (S-1: all patients, S-2: with molecular data, S-3: IDH wildtype). Results: The best performance was observed in the full cohort (S-1). In external validation, the combined-feature CR model achieved an AUC of 0.75, slightly, but significantly outperforming clinical-only (0.74) and imaging-only (0.68) models. DL models showed similar trends, though without statistical significance. In S-2 and S-3, combined models did not outperform clinical-only models. Exploratory analysis of CR models for overall survival prediction suggested greater relevance of imaging data: across all subsets, combined-feature models significantly outperformed clinical-only models, though with a modest advantage of 2-4 C-index points. Conclusions: While confirming the predictive value of anatomical MRI sequences for glioblastoma prognosis, this multi-center study found standard CR and DL radiomics approaches offer minimal added value over demographic predictors such as age and gender.
• Abstract（参考訳）: 背景: 放射線学はグリオ芽腫を特徴づける可能性を示唆しているが, 臨床および分子予測因子に対する付加価値はまだ証明されていない。 本研究は,多施設データセットを用いたグリオ芽腫予後(=6 vs >6ヶ月生存)における従来の放射線学(CR)と深層学習(DL)MRIの付加価値を評価した。 方法: 患者選択後, キュレートされたデータセットはスイスの5つのセンターと1つの公開ソースから1152のグリオ芽腫(WHO 2016)患者を集めている。 臨床(年齢,性別),分子(MGMT,IDH),ベースラインMRIデータ(T1,T1コントラスト,FLAIR,T2)と腫瘍部位を比較検討した。 CRおよびDLモデルは標準手法を用いて開発され、内部および外部コホートで評価された。 サブアナリシスは、異なる特徴セット(画像のみ、臨床/分子のみ、複合機能)と患者サブセット(S-1:全患者、S-2:分子データ、S-3:IDH野生型)のモデルを評価した。 結果: フルコホート(S-1。 外的検証において、複合CRモデルはわずかに0.75のAUCを達成したが、臨床のみ (0.74) と画像のみ (0.68) のAUCよりも著しく優れていた。 DLモデルも同様の傾向を示したが,統計的には有意差はなかった。 S-2とS-3では、組み合わせモデルは臨床のみのモデルよりも優れていなかった。 総合生存予測のためのCRモデルの探索分析により、画像データの関連性が示唆された:全てのサブセットにおいて、複合機能モデルが2-4Cインデクセントポイントの控えめな優位性を持つにもかかわらず、臨床のみのモデルよりも顕著に優れていた。 結論: グリオ芽腫予後における解剖学的MRI所見の予測値を確認する一方で, 標準CRおよびDLラジオミクスアプローチは, 年齢や性別などの人口予測因子よりも最小限の付加価値を与えることがわかった。

関連論文リスト

• Evaluating the Predictive Value of Preoperative MRI for Erectile Dysfunction Following Radical Prostatectomy [0.1314058888017264]
  前立腺機能不全(ED)の術前予測は,根治的前立腺切除術を施行した患者のカウンセリングに重要である。 臨床のみのベースライン,MRIによる手作り解剖学的特徴を用いた古典的モデル,MRIスライスを直接訓練したディープラーニングモデル,画像と臨床入力のマルチモーダル融合の4つのモデル戦略を評価した。
  論文  参考訳（メタデータ） (2025-08-05T14:00:07Z)
• 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)
• 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)
• TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
  TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。 我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。 深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
  論文  参考訳（メタデータ） (2024-06-14T14:18:38Z)
• Analysis of clinical, dosimetric and radiomic features for predicting local failure after stereotactic radiotherapy of brain metastases in malignant melanoma [1.813829334805839]
  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。
  論文  参考訳（メタデータ） (2024-05-31T14:18:37Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• 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)
• 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)
• 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)
• Deep Orthogonal Fusion: Multimodal Prognostic Biomarker Discovery Integrating Radiology, Pathology, Genomic, and Clinical Data [0.32622301272834525]
  グリオーマ患者の生存率 (OS) を, 深層直交核融合モデルを用いて予測した。 このモデルは、MRI検査、生検に基づくモダリティ、臨床変数から得た情報を総合的なマルチモーダルリスクスコアに組み合わせることを学ぶ。 グリオーマ患者を臨床的サブセット内でOSにより明らかに層分けし、予後不良な臨床グレーディングと分子サブタイプにさらに粒度を付加する。
  論文  参考訳（メタデータ） (2021-07-01T17:59:01Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。