論文の概要: Developing Predictive and Robust Radiomics Models for Chemotherapy Response in High-Grade Serous Ovarian Carcinoma

• arxiv url: http://arxiv.org/abs/2601.08455v1
• Date: Tue, 13 Jan 2026 11:29:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.171317
• Title: Developing Predictive and Robust Radiomics Models for Chemotherapy Response in High-Grade Serous Ovarian Carcinoma
• Title（参考訳）: 高グレード卵巣癌に対する化学療法反応予測・ロバスト放射線治療モデルの開発
• Authors: Sepideh Hatamikia, Geevarghese George, Florian Schwarzhans, Amirreza Mahbod, Marika AV Reinius, Ali Abbasian Ardakani, Mercedes Jimenez-Linan, Satish Viswanath, Mireia Crispin-Ortuzar, Lorena Escudero Sanchez, Evis Sala, James D Brenton, Ramona Woitek,
• Abstract要約: ネオアジュバント化学療法 (Neoadjuvant chemotherapy, NACT) は、手術前に腫瘍の負担を軽減するためにしばしば用いられるが、約40%の患者は反応が限られている。 放射能と機械学習(ML)を組み合わせることで、NAT応答を予測するための有望な非侵襲的手法を提供する。 本研究は,異なる特徴選択法を用いてNACTを施行したHGSOC患者の応答予測を改善することを目的とした。
• 参考スコア（独自算出の注目度）: 0.9165796164519936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objectives: High-grade serous ovarian carcinoma (HGSOC) is typically diagnosed at an advanced stage with extensive peritoneal metastases, making treatment challenging. Neoadjuvant chemotherapy (NACT) is often used to reduce tumor burden before surgery, but about 40% of patients show limited response. Radiomics, combined with machine learning (ML), offers a promising non-invasive method for predicting NACT response by analyzing computed tomography (CT) imaging data. This study aimed to improve response prediction in HGSOC patients undergoing NACT by integration different feature selection methods. Materials and methods: A framework for selecting robust radiomics features was introduced by employing an automated randomisation algorithm to mimic inter-observer variability, ensuring a balance between feature robustness and prediction accuracy. Four response metrics were used: chemotherapy response score (CRS), RECIST, volume reduction (VolR), and diameter reduction (DiaR). Lesions in different anatomical sites were studied. Pre- and post-NACT CT scans were used for feature extraction and model training on one cohort, and an independent cohort was used for external testing. Results: The best prediction performance was achieved using all lesions combined for VolR prediction, with an AUC of 0.83. Omental lesions provided the best results for CRS prediction (AUC 0.77), while pelvic lesions performed best for DiaR (AUC 0.76). Conclusion: The integration of robustness into the feature selection processes ensures the development of reliable models and thus facilitates the implementation of the radiomics models in clinical applications for HGSOC patients. Future work should explore further applications of radiomics in ovarian cancer, particularly in real-time clinical settings.
• Abstract（参考訳）: 目的:高悪性度卵巣癌 (HGSOC) は腹膜転移の進行期に診断され,治療が困難である。 ネオアジュバント化学療法 (Neoadjuvant chemotherapy, NACT) は、手術前に腫瘍の負担を軽減するためにしばしば用いられるが、約40%の患者は反応が限られている。 放射能と機械学習(ML)を組み合わせることで、CT(Computerd tomography)イメージングデータを分析してNAT応答を予測する、有望な非侵襲的手法を提供する。 本研究は,異なる特徴選択法を用いてNACTを施行したHGSOC患者の応答予測を改善することを目的とした。 材料と方法: 特徴の堅牢性と予測精度のバランスを確保するために、サーバ間変動を模倣する自動ランダム化アルゴリズムを用いて、ロバストな放射能特徴を選択するためのフレームワークが導入された。 化学療法反応スコア (CRS), RECIST, 容積減少 (VolR), 径減少 (DiaR) の4つの反応指標が得られた。 解剖学的に異なる部位の病変について検討した。 特徴抽出とモデルトレーニングにはNACT前および後CTが用いられ,外部検査には独立したコホートが用いられた。 結果: AUCは0.83で,VolR予測に全病変を併用して最高の予測性能が得られた。 骨盤病変はDiaR (AUC 0.76) で最高の成績を示したが, 骨盤病変はCRS予測(AUC 0.77)で最高の成績を示した。 結論: 特徴選択プロセスへのロバスト性の統合により, 信頼性モデルの開発が保証され, HGSOC患者に対する臨床応用における放射能モデルの実装が容易になる。 今後は、特にリアルタイム臨床環境での卵巣癌に対する放射線治療のさらなる応用を検討すべきである。

関連論文リスト

• Breast Cancer Neoadjuvant Chemotherapy Treatment Response Prediction Using Aligned Longitudinal MRI and Clinical Data [6.850780131537867]
  目的は、病理学的完全応答(PCRバイナリ分類)と5年間の再発のない生存状態(RFSバイナリ分類)を予測する機械学習モデルを開発することである。 提案するフレームワークは、腫瘍のセグメンテーション、画像登録、特徴抽出、予測モデリングを含む。 画像登録に基づく特徴抽出は予測モデルを一貫して改善する。
  論文  参考訳（メタデータ） (2025-12-19T16:32:31Z)
• Predicting Brain Tumor Response to Therapy using a Hybrid Deep Learning and Radiomics Approach [4.7766856771039725]
  本稿では,縦型MRI画像から介入応答を自動分類する手法を提案する。 本稿では,深層学習による特徴抽出と広い範囲の放射能と臨床選択された特徴を組み合わせた新しいハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-08T10:15:23Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• A Metabolic-Imaging Integrated Model for Prognostic Prediction in Colorectal Liver Metastases [5.6492616107251274]
  本研究は,術後再発リスクを予測するための頑健な機械学習モデルを開発し,検証した。 コントラスト造影CTでは,術前臨床パラメータと放射線学的特徴に入力変数を制限した。 3ヶ月の再発予測モデルでは、AUCが0.723のクロスバリデーションで最適性能を示した。
  論文  参考訳（メタデータ） (2025-07-26T01:29:38Z)
• 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)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• 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)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
  化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。 セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。 提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
  論文  参考訳（メタデータ） (2022-11-08T11:50:31Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。