論文の概要: Handcrafted vs. Deep Radiomics vs. Fusion vs. Deep Learning: A Comprehensive Review of Machine Learning -Based Cancer Outcome Prediction in PET and SPECT Imaging

• arxiv url: http://arxiv.org/abs/2507.16065v2
• Date: Fri, 25 Jul 2025 20:51:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 12:09:50.606162
• Title: Handcrafted vs. Deep Radiomics vs. Fusion vs. Deep Learning: A Comprehensive Review of Machine Learning -Based Cancer Outcome Prediction in PET and SPECT Imaging
• Title（参考訳）: Handcrafted vs. Deep Radiomics vs. Fusion vs. Deep Learning: PETおよびSPECT画像における機械学習に基づくがん予後予測の総合的レビュー
• Authors: Mohammad R. Salmanpour, Somayeh Sadat Mehrnia, Sajad Jabarzadeh Ghandilu, Zhino Safahi, Sonya Falahati, Shahram Taeb, Ghazal Mousavi, Mehdi Maghsoudi, Ahmad Shariftabrizi, Ilker Hacihaliloglu, Arman Rahmim,
• Abstract要約: この体系的なレビューは、2020年から2025年にかけて発行された226の研究を分析し、結果予測のためにPETまたはSPECTイメージングに機械学習を適用した。 PETベースの研究は、一般的にSPECTを用いた場合よりも優れており、おそらくは空間分解能と感度が高いためである。 一般的な制限としては、階級不均衡の不十分な扱い、データ不足、人口の多様性の低さがあった。
• 参考スコア（独自算出の注目度）: 0.7573820776203027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML), including deep learning (DL) and radiomics-based methods, is increasingly used for cancer outcome prediction with PET and SPECT imaging. However, the comparative performance of handcrafted radiomics features (HRF), deep radiomics features (DRF), DL models, and hybrid fusion approaches remains inconsistent across clinical applications. This systematic review analyzed 226 studies published from 2020 to 2025 that applied ML to PET or SPECT imaging for outcome prediction. Each study was evaluated using a 59-item framework covering dataset construction, feature extraction, validation methods, interpretability, and risk of bias. We extracted key details including model type, cancer site, imaging modality, and performance metrics such as accuracy and area under the curve (AUC). PET-based studies (95%) generally outperformed those using SPECT, likely due to higher spatial resolution and sensitivity. DRF models achieved the highest mean accuracy (0.862), while fusion models yielded the highest AUC (0.861). ANOVA confirmed significant differences in performance (accuracy: p=0.0006, AUC: p=0.0027). Common limitations included inadequate handling of class imbalance (59%), missing data (29%), and low population diversity (19%). Only 48% of studies adhered to IBSI standards. These findings highlight the need for standardized pipelines, improved data quality, and explainable AI to support clinical integration.
• Abstract（参考訳）: 深層学習(DL)や放射能に基づく手法を含む機械学習(ML)は、PETやSPECTによるがんの予後予測にますます利用されている。 しかし, ハンドクラフトラジオミクス(HRF), 深部放射線ミクス(DRF), DLモデル, ハイブリッド核融合法の比較成績は, 臨床応用において相容れない。 この体系的なレビューでは、2020年から2025年にかけて公表された226の研究を解析し、結果予測にMLをPETまたはSPECT画像に適用した。 各研究は、データセットの構築、特徴抽出、検証方法、解釈可能性、バイアスのリスクをカバーする59項目のフレームワークを用いて評価された。 そこで我々は, モデルタイプ, 癌部位, 画像モダリティ, 精度や曲線下面積などのパフォーマンス指標など, 重要な指標を抽出した。 PETベースの研究(95%)は、一般的にSPECTを用いた研究よりも優れており、おそらくは空間分解能と感度が高いためである。 DRFモデルが最も高い平均精度(0.862)を達成し、融合モデルは最も高いAUC(0.861)を得た。 ANOVAは性能に大きな違いを認めた(精度: p=0.0006, AUC: p=0.0027)。 一般的な制限としては、階級不均衡(59%)、欠落データ(29%)、人口多様性(19%)が不十分であった。 IBSI標準に準拠する研究はわずか48%であった。 これらの発見は、標準化されたパイプラインの必要性、データ品質の改善、臨床統合をサポートするための説明可能なAIを強調している。

関連論文リスト

• An Explainable AI-Enhanced Machine Learning Approach for Cardiovascular Disease Detection and Risk Assessment [0.0]
  心臓病は依然として世界的な健康上の問題である。 従来の診断方法では、心臓病のリスクを正確に特定し、管理することができない。 機械学習は、心臓疾患の診断の正確性、効率、スピードを大幅に向上させる可能性がある。
  論文  参考訳（メタデータ） (2025-07-15T10:38:38Z)
• Comparative Evaluation of Radiomics and Deep Learning Models for Disease Detection in Chest Radiography [0.0]
  胸部X線撮影における疾患検出のための放射線治療と深層学習によるアプローチについて検討した。 深層学習モデルは画像データから直接学習し、放射能ベースのモデルは手作りの特徴を抽出する。 これらの知見は、診断AIにおけるモデル選択のための統計的に検証された、データ駆動の推奨を提供する。
  論文  参考訳（メタデータ） (2025-04-16T16:54:37Z)
• Semi-Supervised Learning for Dose Prediction in Targeted Radionuclide: A Synthetic Data Study [44.18078370879369]
  TRT(Targeted Radionuclide Therapy)は、がん細胞に特異的に強力な放射線照射を投与することを目的とした、放射線腫瘍学の現代的な戦略である。 深層学習はRTをパーソナライズすることを約束する。 現在の方法では大量のSPECT画像撮影が必要であるが、日常的な臨床実践では達成できない。
  論文  参考訳（メタデータ） (2025-03-07T12:21:09Z)
• EVolutionary Independent DEtermiNistiC Explanation [5.127310126394387]
  本稿では進化的独立決定論的説明(EVIDENCE)理論を紹介する。 EVIDENCEはブラックボックスモデルから重要な信号を抽出する決定論的、モデルに依存しない方法を提供する。 EVIDENCEの実践的応用は、医療における診断精度の向上と音声信号分析の強化である。
  論文  参考訳（メタデータ） (2025-01-20T12:05:14Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
  本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。 深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-10-21T17:41:58Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Comparative Analysis of Epileptic Seizure Prediction: Exploring Diverse Pre-Processing Techniques and Machine Learning Models [0.0]
  脳波データを用いたてんかん発作予測のための5つの機械学習モデルの比較分析を行った。 本分析の結果は,各モデルの性能を精度で示すものである。 ETモデルは99.29%の精度で最高の性能を示した。
  論文  参考訳（メタデータ） (2023-08-06T08:50:08Z)
• 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)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。