論文の概要: Radiomics- and Clinical Feature-Driven Prediction of Volumetric Response in Skull-Base Meningioma after CyberKnife Radiosurgery

• arxiv url: http://arxiv.org/abs/2604.24230v1
• Date: Mon, 27 Apr 2026 09:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.880215
• Title: Radiomics- and Clinical Feature-Driven Prediction of Volumetric Response in Skull-Base Meningioma after CyberKnife Radiosurgery
• Title（参考訳）: サイバーナイフ手術後に発症したSkull-Base髄膜腫の放射線学的および臨床的特徴による容積反応の予測
• Authors: Yin Lin, Elena De Martin, Giacomo Conte, Domenico Aquino, Cristiana Pedone, Alberto Redaelli, Riccardo Barbieri, Laura Fariselli, Simona Ferrante,
• Abstract要約: 我々は,CyberKnife を用いた頭蓋底髄膜腫の体積応答予測のための放射線学的および臨床的特徴駆動型フレームワークを提案する。 本手法は治療効果の指標として容積応答を目標とする。
• 参考スコア（独自算出の注目度）: 2.2689094912853767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skull-base meningiomas are often characterized by favorable long-term prognosis, yet their anatomical complexity and proximity to critical neurovascular structures make treatment selection challenging. Stereotactic radiosurgery with CyberKnife represents an effective therapeutic option when surgical resection is not feasible; however, not all patients benefit equally from this treatment. Early identification of patients likely to respond to radiosurgery remains an open clinical problem. In this study, we propose a radiomics- and clinical feature-driven framework for predicting volumetric response in skull-base meningiomas treated with CyberKnife. Unlike most existing approaches that focus on progression-free survival or recurrence, our method targets volumetric response as an indicator of treatment efficacy. Pre-treatment MRI images from 104 patients were processed to extract radiomic features, which were combined with clinical variables and analyzed using six models. To ensure methodological rigor, the entire modeling process was implemented within a nested cross-validation scheme. Among the evaluated models, TabPFN achieved the best overall performance, with an AUC of 0.81 and consistently favorable classification metrics. These results suggest that advanced machine learning architectures, when combined with robust validation strategies, can effectively capture patterns associated with treatment response even in small-sample, high-dimensional settings.
• Abstract（参考訳）: skull-base meningioma は長期予後が良好であることが多いが、その解剖学的複雑さと重要な神経血管構造との近さは治療選択を困難にしている。 外科的切除が不可能な場合,CyberKnifeによる定位放射線治療は有効な治療法であると考えられるが,全ての患者がこの治療法の恩恵を受けているわけではない。 放射線治療に反応する可能性がある患者の早期発見は、まだオープンな臨床問題である。 本研究では,CyberKnife を用いた頭蓋底髄膜腫の体積応答予測のための放射線学的および臨床的特徴駆動型フレームワークを提案する。 進行のない生存または再発に焦点を当てた既存のアプローチとは異なり,本手法は治療効果の指標として容積応答を目標としている。 104例のMRI画像から放射線学的特徴を抽出し,臨床変数と組み合わせて6種類のモデルを用いて解析した。 方法論的厳密性を確保するため、モデリングプロセス全体がネストしたクロスバリデーション方式で実装された。 評価されたモデルの中で、TabPFNはAUCの0.81と、一貫して好ましい分類基準で、全体的なパフォーマンスを最高のものにした。 これらの結果は、高度な機械学習アーキテクチャと堅牢な検証戦略を組み合わせることで、小規模で高次元の設定であっても、処理応答に関連するパターンを効果的に捉えることができることを示唆している。

関連論文リスト

• Vision Transformers for Preoperative CT-Based Prediction of Histopathologic Chemotherapy Response Score in High-Grade Serous Ovarian Carcinoma [5.924316400347799]
  本稿では,事前学習したビジョントランスフォーマーエンコーダを用いて,病変密度のオーメンタルスライスを処理する2.5Dマルチモーダルディープラーニングフレームワークを提案する。 ROC-AUCは95%の精度と80%の精度で得られた。 これらの予備的な結果は、HGSOCにおけるCRSの術前予測におけるトランスフォーマーベース深層学習の可能性を示している。
  論文  参考訳（メタデータ） (2026-04-10T10:33:07Z)
• Developing Predictive and Robust Radiomics Models for Chemotherapy Response in High-Grade Serous Ovarian Carcinoma [0.9165796164519936]
  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。
  論文  参考訳（メタデータ） (2026-01-13T11:29:02Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• 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)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• 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)
• 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。