論文の概要: Explainable Deep Radiogenomic Molecular Imaging for MGMT Methylation Prediction in Glioblastoma

• arxiv url: http://arxiv.org/abs/2601.07035v1
• Date: Sun, 11 Jan 2026 19:16:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.126521
• Title: Explainable Deep Radiogenomic Molecular Imaging for MGMT Methylation Prediction in Glioblastoma
• Title（参考訳）: グリオ芽腫におけるMGMTメチル化予測のための説明可能なDeep Radiogenomic Molecular Imaging
• Authors: Hasan M Jamil,
• Abstract要約: O6-メチルグアニンDNAメチルトランスフェラーゼ(MGMT)遺伝子プロモーターのメチル化状態は重要な分子バイオマーカーである。 MGMTのステータスを決定する従来の方法は、侵襲的な生検に依存している。 本研究では,MGMTプロモーターメチル化の非侵襲的予測のための放射線ゲノム分子イメージング解析フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.7614628596146601
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Glioblastoma (GBM) is a highly aggressive primary brain tumor with limited therapeutic options and poor prognosis. The methylation status of the O6-methylguanine-DNA methyltransferase (MGMT) gene promoter is a critical molecular biomarker that influences patient response to temozolomide chemotherapy. Traditional methods for determining MGMT status rely on invasive biopsies and are limited by intratumoral heterogeneity and procedural risks. This study presents a radiogenomic molecular imaging analysis framework for the non-invasive prediction of MGMT promoter methylation using multi-parametric magnetic resonance imaging (mpMRI). Our approach integrates radiomics, deep learning, and explainable artificial intelligence (XAI) to analyze MRI-derived imaging phenotypes and correlate them with molecular labels. Radiomic features are extracted from FLAIR, T1-weighted, T1-contrast-enhanced, and T2-weighted MRI sequences, while a 3D convolutional neural network learns deep representations from the same modalities. These complementary features are fused using both early fusion and attention-based strategies and classified to predict MGMT methylation status. To enhance clinical interpretability, we apply XAI methods such as Grad-CAM and SHAP to visualize and explain model decisions. The proposed framework is trained on the RSNA-MICCAI Radiogenomic Classification dataset and externally validated on the BraTS 2021 dataset. This work advances the field of molecular imaging by demonstrating the potential of AI-driven radiogenomics for precision oncology, supporting non-invasive, accurate, and interpretable prediction of clinically actionable molecular biomarkers in GBM.
• Abstract（参考訳）: Glioblastoma (GBM) は治療の選択肢が限られ,予後不良な原発性脳腫瘍である。 O6-メチルグアニンDNAメチルトランスフェラーゼ(MGMT)遺伝子プロモーターのメチル化状態は、テモゾロミド化学療法に対する患者反応に影響を与える重要な分子バイオマーカーである。 従来のMGMTの診断法は、浸潤性生検に依存しており、腫瘍内不均一性や手続き上のリスクによって制限されている。 本研究では,Multi-parametric magnetic resonance imaging (mpMRI) を用いたMGMTプロモーターメチル化の非侵襲的予測のための放射線ゲノム分子イメージング解析フレームワークを提案する。 提案手法は放射能,深層学習,説明可能な人工知能(XAI)を統合し,MRI画像の表現型を分析し,分子ラベルと相関する。 FLAIR、T1-weighted、T1-contrast-enhanced、T2-weighted MRIの配列から放射能の特徴を抽出し、3D畳み込みニューラルネットワークは同じモードから深部表現を学習する。 これらの相補的特徴は、初期の融合と注意に基づく戦略の両方を用いて融合され、MGMTメチル化状態を予測するために分類される。 臨床的解釈可能性を高めるために,Grad-CAM や SHAP などの XAI 法を適用し,モデル決定の可視化と説明を行う。 提案するフレームワークは、RSNA-MICCAI Radiogenomic Classificationデータセットに基づいてトレーニングされ、BraTS 2021データセットで外部から検証される。 この研究は、精密腫瘍学のためのAI駆動放射線ゲノミクスの可能性を実証し、GBMにおける臨床的に実行可能な分子バイオマーカーの非侵襲的、正確な、解釈可能な予測をサポートすることにより、分子イメージングの分野を前進させる。

関連論文リスト

• The Multi-View Paradigm Shift in MRI Radiomics: Predicting MGMT Methylation in Glioblastoma [0.0]
  医用画像からの分子腫瘍の特徴の非侵襲的推測は、放射線ゲノミクスの中心的目的である。 本稿では,変分オートエンコーダ(VAE)に基づく多視点潜在表現学習フレームワークを提案する。 提案手法は,効率的なマルチモーダル積分を実現しつつ,モダリティ固有の構造を保存する。
  論文  参考訳（メタデータ） (2025-12-26T16:32:19Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• Multi-View MRI Approach for Classification of MGMT Methylation in Glioblastoma Patients [6.414625387280682]
  MGMTプロモーターメチル化はGlioblastoma Multiforme (GBM) の化学療法効果に大きく影響する 現在、MGMTプロモーターメチル化の確認は、浸潤性脳腫瘍組織生検に依存している。 MGMTメチル化状態を検出するためにMRIビュー間の空間的関係を考慮した新しいマルチビュー手法を提案する。
  論文  参考訳（メタデータ） (2025-12-16T09:37:20Z)
• Decoding MGMT Methylation: A Step Towards Precision Medicine in Glioblastoma [2.5157401709060063]
  本研究ではMGMTメチル化状態予測フレームワークのための畳み込みオートエンコーダを提案する。 このフレームワークは、予測精度を高めるために適応的なスパースペナルティに基づいている。 脳組織、脂肪、および個々の腫瘍構造を保存し、MRI画像合成に優れる。
  論文  参考訳（メタデータ） (2025-08-22T14:32:50Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [45.62331048595689]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・ディベサール・ネットワーク(cGAN)アーキテクチャを用いて,ヒト・コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• Novel Local Radiomic Bayesian Classifiers for Non-Invasive Prediction of MGMT Methylation Status in Glioblastoma [0.0]
  グリオーマ腫瘍組織におけるO6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)遺伝子の発現は臨床的に重要である。 現在、MGMTメチル化は、侵襲的な脳生検およびその後に抽出された腫瘍組織の遺伝子解析によって決定されている。 FLAIR系列磁気共鳴画像(MRI)から抽出した放射能特性に基づいてMGMTメチル化状態の確率論的予測を行う新しいベイズ分類器を提案する。
  論文  参考訳（メタデータ） (2021-11-30T04:53:23Z)
• 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)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 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） (2020-06-26T02:50:09Z)

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。