論文の概要: AI-based response assessment and prediction in longitudinal imaging for brain metastases treated with stereotactic radiosurgery

• arxiv url: http://arxiv.org/abs/2509.06396v1
• Date: Mon, 08 Sep 2025 07:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.002349
• Title: AI-based response assessment and prediction in longitudinal imaging for brain metastases treated with stereotactic radiosurgery
• Title（参考訳）: 定位放射線治療による脳転移の経時的画像診断におけるAIによる反応評価と予測
• Authors: Lorenz Achim Kuhn, Daniel Abler, Jonas Richiardi, Andreas F. Hottinger, Luis Schiappacasse, Vincent Dunet, Adrien Depeursinge, Vincent Andrearczyk,
• Abstract要約: 脳転移(Brain Metastases, BM)は、がん患者の死亡率に大きく寄与する。 SRS(Stereotactic Radiosurgery)で治療し,MRI(Magnetic Resonance Imaging)で治療ガイドラインに従って経過観察する。 成長軌跡をよりよく理解し、治療の成功や毒性をできるだけ早く予測するために、縦断画像における治療に対する反応が研究されている。 本研究では, 約2カ月間隔で約360日以上観察された177例のSRS治療データを経時的に収集する自動パイプラインを構築し, 約896 BMのコホートを施行した。
• 参考スコア（独自算出の注目度）: 1.3844235712582453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain Metastases (BM) are a large contributor to mortality of patients with cancer. They are treated with Stereotactic Radiosurgery (SRS) and monitored with Magnetic Resonance Imaging (MRI) at regular follow-up intervals according to treatment guidelines. Analyzing and quantifying this longitudinal imaging represents an intractable workload for clinicians. As a result, follow-up images are not annotated and merely assessed by observation. Response to treatment in longitudinal imaging is being studied, to better understand growth trajectories and ultimately predict treatment success or toxicity as early as possible. In this study, we implement an automated pipeline to curate a large longitudinal dataset of SRS treatment data, resulting in a cohort of 896 BMs in 177 patients who were monitored for >360 days at approximately two-month intervals at Lausanne University Hospital (CHUV). We use a data-driven clustering to identify characteristic trajectories. In addition, we predict 12 months lesion-level response using classical as well as graph machine learning Graph Machine Learning (GML). Clustering revealed 5 dominant growth trajectories with distinct final response categories. Response prediction reaches up to 0.90 AUC (CI95%=0.88-0.92) using only pre-treatment and first follow-up MRI with gradient boosting. Similarly, robust predictive performance of up to 0.88 AUC (CI95%=0.86-0.90) was obtained using GML, offering more flexibility with a single model for multiple input time-points configurations. Our results suggest potential automation and increased precision for the comprehensive assessment and prediction of BM response to SRS in longitudinal MRI. The proposed pipeline facilitates scalable data curation for the investigation of BM growth patterns, and lays the foundation for clinical decision support systems aiming at optimizing personalized care.
• Abstract（参考訳）: 脳転移(Brain Metastases, BM)は、がん患者の死亡率に大きく寄与する。 SRS(Stereotactic Radiosurgery)で治療し,MRI(Magnetic Resonance Imaging)で治療ガイドラインに従って経過観察する。 この縦画像の解析と定量化は、臨床医にとって難易度の高い作業量である。 その結果、フォローアップ画像は注釈付けされず、単に観察によって評価される。 縦断画像における治療に対する反応の研究が進められており、成長軌跡をよりよく理解し、治療の成功や毒性をできるだけ早く予測している。 本研究では, ローザンヌ大学病院(CHUV)で約2カ月間隔で360日以上観察された177症例において, 896 BM のコホートが得られた。 データ駆動クラスタリングを用いて特徴軌跡を同定する。 さらに,従来のグラフ機械学習,グラフ機械学習(GML)を用いて,12ヶ月の病変レベルの応答を予測する。 クラスタリングでは,最終反応のカテゴリーが異なる5つの成長軌跡が認められた。 反応予測は0.90 AUC (CI95%=0.88-0.92) に到達し、前処置のみを使用し、第1フォローアップMRIでは勾配が上昇する。 同様に、GML を用いて最大 0.88 AUC (CI95%=0.86-0.90) の堅牢な予測性能が得られ、複数の入力時刻設定のための単一のモデルでより柔軟になった。 以上の結果より, 経時的MRIにおけるSRSに対するBM応答の総合的評価と予測の自動化と精度の向上が示唆された。 このパイプラインは、BM成長パターンの調査のためのスケーラブルなデータキュレーションを促進し、パーソナライズされたケアの最適化を目的とした臨床意思決定支援システムの基礎を築いた。

関連論文リスト

• Glioblastoma Overall Survival Prediction With Vision Transformers [6.318465743962574]
  グリオ芽腫は最も攻撃的で一般的な脳腫瘍の1つで、生存期間は10～15ヶ月である。 本研究では,MRI画像を用いた総合生存(OS)予測のための新しい人工知能(AI)手法を提案する。 我々は視覚変換器(ViT)を用いてMRI画像から直接隠れた特徴を抽出し,腫瘍のセグメンテーションの必要性を排除した。 提案したモデルは、BRATSデータセットで評価され、テストセット上で62.5%の精度を達成した。
  論文  参考訳（メタデータ） (2025-08-04T13:59:57Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Predicting Postoperative Stroke in Elderly SICU Patients: An Interpretable Machine Learning Model Using MIMIC Data [0.0]
  高齢者集中治療室(SICU)患者における術後脳卒中は重要な合併症である。 我々はMIMIC-IIIデータベースとMIMIC-IVデータベースから19,085名の高齢者SICU入院を併用したコホートを構築した。 最初の24時間集中治療室滞在からの臨床データを用いて,院内脳卒中を予測するための解釈可能な機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-06-02T22:53:12Z)
• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
  胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。 医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。 本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T21:47:13Z)
• Semi-supervised ViT knowledge distillation network with style transfer normalization for colorectal liver metastases survival prediction [1.283897253352624]
  本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。 まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。 転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
  論文  参考訳（メタデータ） (2023-11-17T03:32:11Z)
• Virchow: A Million-Slide Digital Pathology Foundation Model [34.38679208931425]
  本稿では,コンピュータ病理学の基礎モデルであるVirchowを紹介する。 Virchowは、150万のヘマトキシリンとエオシン染色されたスライドイメージに基づいて、632万のパラメータをトレーニングしたビジョントランスフォーマーモデルである。
  論文  参考訳（メタデータ） (2023-09-14T15:09:35Z)
• 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)
• Recurrence-free Survival Prediction under the Guidance of Automatic Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
  自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。 腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
  論文  参考訳（メタデータ） (2022-09-22T18:44:57Z)
• ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset [36.278933802685316]
  このデータセットは、脳卒中病変の大きさ、量、位置の多様性が高い400のマルチベンダーMRI症例からなる。 n=250のトレーニングデータセットとn=150のテストデータセットに分けられる。 テストデータセットはモデル検証のみに使用され、一般にはリリースされない。
  論文  参考訳（メタデータ） (2022-06-14T08:54:40Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)

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。