論文の概要: Segmentation Robustness and Predictive Utility in Glioblastoma Radiomics: Evidence for a Trade-off in Survival Modelling
- arxiv url: http://arxiv.org/abs/2607.23626v1
- Date: Sun, 26 Jul 2026 12:20:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.172966
- Title: Segmentation Robustness and Predictive Utility in Glioblastoma Radiomics: Evidence for a Trade-off in Survival Modelling
- Title（参考訳）: Glioblastoma Radiomicsにおけるセグメンテーションロバスト性および予測実用性 : 生存期モデルにおけるトレードオフの証拠
- Abstract要約: 放射線バイオマーカーは、グリオ芽腫(GBM)の腫瘍性状および予後モデリングのための非侵襲的ツールとして広く研究されている。
本研究では,GBMサバイバルモデルにおける特徴頑健性と予測実用性の関係について検討する。
放射性物質をベースとした生存モデルにおいて、ロバスト性のみが特徴選択の信頼性基準ではないことが示唆されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Radiomic biomarkers derived from magnetic resonance imaging (MRI) have been widely investigated as non-invasive tools for tumor characterization and prognostic modeling in glioblastoma (GBM). However, their clinical translation remains limited, in part due to sensitivity to tumor segmentation variability. In this study, we systematically investigate the relationship between feature robustness and predictive utility in GBM survival modeling using the University of Pennsylvania Glioblastoma Imaging, Genomics, and Radiomics (UPENN-GBM) cohort. A total of 4,752 radiomic features were obtained from multiparametric MRI across three tumor subregions: enhancing tumor (ET), peritumoral edema (ED), and necrotic core (NC). Feature robustness was quantified using the intraclass correlation coefficient (ICC) based on the automatic and expert-refined segmentation versions. Among features with valid ICC estimates, 48.1% were classified as robust. Survival prediction was evaluated using cross-validation with Coxnet, Random Survival Forest, and Gradient Boosting Survival Analysis models. In this cohort, radiomic feature inclusion showed no consistent improvement over the clinical baseline, and robustness filtering produced no detectable performance gain. Model-selected features were less robust than the overall feature pool, indicating a lack of enrichment for robustness. These findings suggest that robustness alone is not a reliable criterion for feature selection in radiomics-based survival modelling.
- Abstract（参考訳）: 磁気共鳴画像(MRI)から誘導される放射線バイオマーカーは、グリオ芽腫(GBM)における腫瘍の特徴と予後モデリングのための非侵襲的ツールとして広く研究されている。
しかし、その臨床的翻訳は、部分的には腫瘍のセグメンテーションの多様性に対する感受性のために制限されている。
本研究では,ペンシルバニア大学グリオブラノマイメージング,ゲノミクス,放射線学(UPENN-GBM)コホートを用いて,GBM生存モデルにおける特徴頑健性と予測実用性の関係を系統的に検討した。
造影腫瘍 (ET) , 遠位部浮腫 (ED) , 壊死核 (NC) の3領域にわたるマルチパラメトリックMRIから, 合計4,752個の放射線像が得られた。
分類内相関係数 (ICC) を用いて, 自動的, 専門的セグメンテーションバージョンに基づいて特徴的ロバスト性を定量化した。
有効なICC推定では48.1%がロバストと分類された。
生存予測はCoxnet,Random Survival Forest,Gradient Boosting Survival Analysisモデルを用いて行った。
このコホートでは,放射線学的特徴包含は臨床ベースラインよりも一貫した改善を示さず,ロバスト性フィルタリングは検出可能な性能向上を得られなかった。
モデル選択された機能は、全体的な機能プールよりもロバストであり、ロバスト性に対する豊かさの欠如を示している。
これらの結果から,ラジオミクスを用いた生存モデルでは,ロバスト性のみが特徴選択の信頼性基準ではないことが示唆された。
関連論文リスト
- Predictive Radiomics for Evaluation of Cancer Immune SignaturE in Glioblastoma: the PRECISE-GBM study [5.798780829165377]
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。
論文 参考訳（メタデータ） (2026-05-11T09:38:40Z) - DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。
マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。
本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文 参考訳（メタデータ） (2025-10-16T07:31:21Z) - Prediction of Distant Metastasis for Head and Neck Cancer Patients Using Multi-Modal Tumor and Peritumoral Feature Fusion Network [6.753955554949766]
頭頸部扁平上皮癌(HN SCC)における転移の意義
本研究では,CT画像,放射線画像,臨床データを統合し,HN SCC患者の転移リスクを予測するためのディープラーニングベースのフレームワークを開発した。
論文 参考訳（メタデータ） (2025-08-28T06:39:38Z) - 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) - Radiomic fingerprints for knee MR images assessment [39.11295870085984]
既存の放射線学的アプローチでは、放射線学的特徴の固定セットを使用し、人口レベルで選択され、すべての患者に均一に適用される。
これらのシグネチャは解釈可能であるが、個々の病理学的変異を表現するには制約が多すぎることが多い。
DLモデルにより選択された各患者に対して放射線特徴セット(指紋)を動的に構築する新しい放射線指紋フレームワークを提案する。
既存の放射線検査と異なり, 患者毎の指紋は, 大型放射線検査プールの特徴的関連を予測し, 患者ごとに臨床症状を予測できるもののみを選択することにより, 患者毎の指紋を抽出する。
論文 参考訳（メタデータ） (2025-06-25T10:39:22Z) - CT Radiomics-Based Explainable Machine Learning Model for Accurate Differentiation of Malignant and Benign Endometrial Tumors: A Two-Center Study [11.010138196822888]
子宮内膜癌患者の悪性度と良性度を正確に診断するためのCTラジオミクスを用いた説明可能な機械学習モデルを開発した。
感度,特異性,精度,精度,F1スコア,AUROC,AUPRCを用いて診断性能を評価した。
ランダムフォレストモデルはECの診断に最適な選択肢として現れ、AUROCは1.00、AUROCは0.96である。
論文 参考訳（メタデータ） (2025-06-22T17:31:06Z) - Exploring Kinetic Curves Features for the Classification of Benign and Malignant Breast Lesions in DCE-MRI [3.3382992386198675]
胸部良性病変と悪性病変の分類精度を高めるため, 運動曲線および放射線学的特徴の動的特性を活用することを提案する。
提案手法は,200個のDCE-MRIスキャンと298個の乳腺腫瘍を含む社内データセットを用いて評価した。
論文 参考訳（メタデータ） (2024-04-22T07:08:13Z) - Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT
by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。
発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
論文 参考訳（メタデータ） (2023-08-01T12:46:02Z) - 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) - Adaptive unsupervised learning with enhanced feature representation for
intra-tumor partitioning and survival prediction for glioblastoma [12.36330256366686]
そこで本研究では, 腫瘍内パーティショニングとグリオ芽腫生存予測のための適応型非教師なし学習手法を提案する。
新規かつ問題特異的な自動エンコーダ(FAE)を開発した。
以上の結果から, 提案手法は, 堅牢で臨床的に関連のあるMRIサブリージョンと, 統計的に有意な生存予測をもたらすことが示唆された。
論文 参考訳（メタデータ） (2021-08-21T02:47:59Z) - 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。