論文の概要: Predictive Radiomics for Evaluation of Cancer Immune SignaturE in Glioblastoma: the PRECISE-GBM study
- arxiv url: http://arxiv.org/abs/2605.10278v1
- Date: Mon, 11 May 2026 09:38:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.701927
- Title: Predictive Radiomics for Evaluation of Cancer Immune SignaturE in Glioblastoma: the PRECISE-GBM study
- Title（参考訳）: グリオ芽腫における癌免疫シグナチュールの評価のための予測放射能 : PreCISE-GBM 法による検討
- Authors: Prajwal Ghimire, Junjie Li, Liu Yaou, Marc Modat, Thomas Booth,
- Abstract要約: IDH-wildtype glioblastomaにおけるマクロファージサブタイプM0抗原の非侵襲的予測
これらのバイオマーカーは、将来的なグリオ芽腫臨床試験において、免疫療法のために患者を階層化する可能性がある。
- 参考スコア（独自算出の注目度）: 5.798780829165377
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Radiogenomics allows identification of radiological biomarkers for genomic phenotypes. In glioblastoma, these biomarkers could potentially complement patient stratification strategies. We aim to develop and analytically validate radiological biomarkers that capture immune cell signatures within IDH-wildtype glioblastoma microenvironment using radiogenomic analysis. Methods: This was a retrospective multicenter study using curated open-access anonymized imaging and genomic data from TCGA-GBM, CPTAC, IvyGAP, REMBRANDT and CGGA datasets. Imaging data consisted of MRI-based radiomic features extracted from necrotic core, enhancing and edema regions of deep learning-based auto-segmented tumors. Radiomic feature selections were performed using nested cross-validated LASSO. Support vector machine and ensemble models were trained using seventeen immune and cell-specific score labels extracted from deconvoluted transcriptomic data using pan-cancer and glioblastoma immune signature matrices as reference standards. Seventeen classifier models trained in three cross-cohort strategies were validated on three held-out datasets assessing stability and generalizability. Results: One-hundred-and-seventy-six patients were included in the study. The immune-related radiomic signatures obtained after feature selection were shape, first order and higher order radiomic features. Models predicting macrophage subtype immune signature showed stable mean performance on balanced accuracy (0.67) and precision (0.89) metrics for three independent holdout datasets with ensemble model outperforming support vector machine model. Conclusion: Radiogenomic models non-invasively predicted the macrophage subtype M0 immune signature in IDH-wildtype glioblastoma. These biomarkers have the potential to stratify patients for immunotherapy within prospective glioblastoma clinical trials.
- Abstract（参考訳）: 背景: 放射線ゲノミクスは、ゲノム表現型に対する放射線バイオマーカーの識別を可能にする。
グリオ芽腫では、これらのバイオマーカーは患者の層状化戦略を補完する可能性がある。
放射線ゲノム解析を用いてIDH-wildtype glioblastoma microenvironment内の免疫細胞シグネチャを捕捉する放射線バイオマーカーを開発,解析的に評価することを目的としている。
方法: 本研究はTGA-GBM, CPTAC, IvyGAP, REMBRANDT, CGGAデータセットから得られたオープンアクセスの匿名化画像とゲノムデータを用いた多施設共同研究である。
画像データは、壊死コアから抽出されたMRIベースの放射線学的特徴からなり、深層学習ベースの自己切除腫瘍の浮腫領域の増強と浮腫領域が観察された。
ネストしたクロスバリデーションLASSOを用いて放射能の特徴選択を行った。
支持ベクターマシンとアンサンブルモデルは, パン癌およびグリオブラストマ免疫署名マトリックスを基準基準として, デコンボリュートトランスクリプトームデータから抽出した17の免疫および細胞特異的スコアラベルを用いて訓練された。
3つのクロスコホート戦略で訓練された17の分類器モデルを,安定性と一般化性を評価する3つの保持されたデータセットで検証した。
結果: 対象は患者1名, 患者46名であった。
特徴選択後に得られた免疫関連放射性シグネチャは, 形状, 1次, 高次放射線特徴であった。
マクロファージサブタイプの免疫シグネチャを予測するモデルでは,バランスの取れた精度 (0.67) と精度 (0.89) で安定な平均性能を示した。
結論: 放射線ゲノムモデルでは, IDH-wildtype glioblastomaのマクロファージサブタイプM0抗原を非侵襲的に予測した。
これらのバイオマーカーは、将来的なグリオ芽腫臨床試験において、免疫療法のために患者を階層化する可能性がある。
関連論文リスト
- Pan-Cancer Mapping of the Tumor Immune Landscape through Metagene Clustering and Predictive Modeling [0.40611352512781856]
免疫プロファイリングの進歩にもかかわらず、免疫表現型を誘導するメカニズムは未だ不明である。
本研究は、新規で堅牢な免疫関連遺伝子クラスター(メタゲイン)の同定を目的とする。
遺伝子は高発現群と低発現群の差分表現によってランク付けされた。
論文 参考訳（メタデータ） (2026-03-28T05:38:40Z) - Explainable Deep Radiogenomic Molecular Imaging for MGMT Methylation Prediction in Glioblastoma [0.7614628596146601]
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。
論文 参考訳（メタデータ） (2026-01-11T19:16:19Z) - Systematic Review of Pituitary Gland and Pituitary Adenoma Automatic Segmentation Techniques in Magnetic Resonance Imaging [40.16592757754337]
自動・半自動セグメンテーション法を応用した34種類の研究をレビューした。
レビューされた研究の大半はディープラーニングのアプローチを利用しており、U-Netベースのモデルが最も普及している。
正常下垂体腺のような小さな構造において、一貫して良好な性能を達成するためには、さらなる改善が必要である。
論文 参考訳（メタデータ） (2025-06-24T17:05:01Z) - Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。
グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
論文 参考訳（メタデータ） (2025-03-29T02:14:05Z) - MGH Radiology Llama: A Llama 3 70B Model for Radiology [50.42811030970618]
本稿では,高度な放射線学に焦点を当てた大規模言語モデルMGH Radiology Llamaを提案する。
Llama 3 70Bモデルを使用して開発され、Radiology-GPTやRadiology-Llama2といった従来のドメイン固有モデルをベースにしている。
従来の指標とGPT-4に基づく評価の両方を取り入れた評価では,汎用LLMよりも高い性能を示す。
論文 参考訳（メタデータ） (2024-08-13T01:30:03Z) - Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration [44.99833362998488]
腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。
本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。
悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
論文 参考訳（メタデータ） (2022-11-08T05:46:02Z) - Deep radiomic signature with immune cell markers predicts the survival
of glioma patients [8.386631203775533]
畳み込みニューラルネットワーク(CNN)から計算した新しい種類の深部放射線特徴量(DRF)を提案する。
提案手法は,MRIスキャンのラベル付き腫瘍領域内で,事前訓練した3D-CNNの活性化マップを集約することにより,合計180個のRFを抽出する。
その結果, DRFと各種マーカーとの間には高い相関がみられ, これらのマーカーに基づいて分類した患者間で有意差が認められた。
論文 参考訳（メタデータ） (2022-06-09T08:52:15Z) - Modeling of Textures to Predict Immune Cell Status and Survival of Brain
Tumour Patients [4.542148087324063]
放射線医学は、グリオーマのような様々な種類のがんが臨床結果を予測する能力を示した。
深部放射線学的特徴(DRF)を用いたグリオーマ患者の免疫マーカー(低値と高値)と生存率の予測を目指す。
提案したDRFと3つの免疫細胞マーカー(マクロファージM1,好中球,T細胞卵胞ヘルパー)の関連性を評価し,それらの生存率との関連性について検討した。
論文 参考訳（メタデータ） (2022-06-04T03:52:12Z) - Deep learning-based approach to reveal tumor mutational burden status
from whole slide images across multiple cancer types [41.61294299606317]
腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。
ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。
本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-07T07:02:32Z) - 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)
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。