論文の概要: An Automated Radiomics Framework for Postoperative Survival Prediction in Colorectal Liver Metastases using Preoperative MRI

• arxiv url: http://arxiv.org/abs/2603.10216v1
• Date: Tue, 10 Mar 2026 20:34:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.682668
• Title: An Automated Radiomics Framework for Postoperative Survival Prediction in Colorectal Liver Metastases using Preoperative MRI
• Title（参考訳）: 術前MRIによる大腸癌肝転移の生存予測のための自動放射線治療フレームワーク
• Authors: Muhammad Alberb, Jianan Chen, Hossam El-rewaidy, Paul Karanicolas, Arun Seth, Yutaka Amemiya, Anne Martel, Helen Cheung,
• Abstract要約: 術後肝転移生存予測のためのAIベースの自動フレームワークを提案する。 我々は、解剖学的に認識されたセグメンテーションパイプラインと放射能パイプラインからなる生存予測フレームワークを開発した。 本研究は,放射能を用いた生存分析とセグメンテーションアルゴリズムの統合の可能性を示す。
• 参考スコア（独自算出の注目度）: 0.8571977422745714
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While colorectal liver metastasis (CRLM) is potentially curable via hepatectomy, patient outcomes remain highly heterogeneous. Postoperative survival prediction is necessary to avoid non-beneficial surgeries and guide personalized therapy. In this study, we present an automated AI-based framework for postoperative CRLM survival prediction using pre- and post-contrast MRI. We performed a retrospective study of 227 CRLM patients who had gadoxetate-enhanced MRI prior to curative-intent hepatectomy between 2013 and 2020. We developed a survival prediction framework comprising an anatomy-aware segmentation pipeline followed by a radiomics pipeline. The segmentation pipeline learns liver, CRLMs, and spleen segmentation from partially-annotated data, leveraging promptable foundation models to generate pseudo-labels. To support this pipeline, we propose SAMONAI, a prompt propagation algorithm that extends Segment Anything Model to 3D point-based segmentation. Predicted pre- and post-contrast segmentations are then fed into our radiomics pipeline, which extracts per-tumor features and predicts survival using SurvAMINN, an autoencoder-based multiple instance neural network for time-to-event survival prediction. SurvAMINN jointly learns dimensionality reduction and survival prediction from right-censored data, emphasizing high-risk metastases. We compared our framework against established methods and biomarkers using univariate and multivariate Cox regression. Our segmentation pipeline achieves median Dice scores of 0.96 (liver) and 0.93 (spleen), driving a CRLM segmentation Dice score of 0.78 and a detection F1-score of 0.79. Accurate segmentation enables our radiomics pipeline to achieve a survival prediction C-index of 0.69. Our results show the potential of integrating segmentation algorithms with radiomics-based survival analysis to deliver accurate and automated CRLM outcome prediction.
• Abstract（参考訳）: 大腸癌肝転移 (CRLM) は肝切除により治癒する可能性があるが, 術後経過は良好である。 非便秘手術を回避し、パーソナライズされた治療をガイドするためには、術後生存予測が必要である。 本研究では,術前および術後MRIを用いた術後CRLM生存予測のためのAIベースの自動フレームワークを提案する。 2013年から2020年の間, ガドキセタート強調MRIを施行した227例の肝切除症例を振り返って検討した。 我々は、解剖学的に認識されたセグメンテーションパイプラインと放射能パイプラインからなる生存予測フレームワークを開発した。 セグメンテーションパイプラインは、部分的に注釈付けされたデータから肝臓、CRLM、脾臓セグメンテーションを学習し、プロンプト可能な基礎モデルを利用して擬似ラベルを生成する。 このパイプラインをサポートするために,Segment Anything Modelを3Dポイントベースセグメンテーションに拡張するプロンプト伝搬アルゴリズムSAMONAIを提案する。 腫瘍内の特徴を抽出し、オートエンコーダをベースとした複数インスタンスニューラルネットワークであるSurvAMINNを使用して生存を予測する。 SurvAMINNは、高リスクな転移を強調しながら、右検閲データから次元減少と生存予測を共同で学習する。 我々は,一変量および多変量コックス回帰を用いた確立された手法とバイオマーカーとの比較を行った。 我々のセグメンテーションパイプラインは、CRLMセグメンテーションDiceスコア0.78と検出F1スコア0.79を駆動し、Diceスコア0.96(デリバリ)と0.93(脾臓)の中央値を達成する。 正確なセグメンテーションにより、放射能パイプラインは生存率0.69のCインデックスを予測できる。 以上の結果から,放射能に基づく生存分析とセグメンテーションアルゴリズムの統合により,CRLM結果の正確かつ自動予測が可能となる可能性が示唆された。

関連論文リスト

• Live(r) Die: Predicting Survival in Colorectal Liver Metastasis [0.01268579273097071]
  大腸癌はしばしば肝に転移し、長期生存率を大幅に低下させる。 現在の予後モデルは、しばしば限られた臨床または分子的特徴に基づいており、十分な予測力を持っていない。 コントラスト前・後MRIによる外科的予後予測のための完全自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-10T19:02:59Z)
• AI-based response assessment and prediction in longitudinal imaging for brain metastases treated with stereotactic radiosurgery [1.3844235712582453]
  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。
  論文  参考訳（メタデータ） (2025-09-08T07:29:45Z)
• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• Analysis of the 2024 BraTS Meningioma Radiotherapy Planning Automated Segmentation Challenge [45.3253187215396]
  2024年脳腫瘍髄膜腫放射線療法(BraTS-MEN-RT)は、自動セグメンテーションアルゴリズムの進歩を目的とした課題である。 我々はBraTS-MEN-RTチャレンジの設計と結果について述べる。
  論文  参考訳（メタデータ） (2024-05-28T17:25:43Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• CoRe: An Automated Pipeline for The Prediction of Liver Resection Complexity from Preoperative CT Scans [53.561797148529664]
  肝切除を複雑にするために重要な位置にある腫瘍が知られている。 CoReは、術後LRの複雑さを予測するための自動化された医療画像処理パイプラインである。
  論文  参考訳（メタデータ） (2022-10-15T15:29:24Z)
• 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)
• Automated Segmentation and Recurrence Risk Prediction of Surgically Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
  肺がんは、がん関連死亡の重大な原因である。 本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
  論文  参考訳（メタデータ） (2022-09-17T23:06:22Z)
• Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free Survival using a Full-Scale UNet with Attention [0.8138288420049126]
  MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。 腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。 患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
  論文  参考訳（メタデータ） (2021-11-06T10:28:48Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)

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。