論文の概要: How Robust Are Prognostic Radiomic Features? Comparing Selection Techniques on Pooled Glioblastoma Cohorts

• arxiv url: http://arxiv.org/abs/2610.26095v1
• Date: Mon, 19 Oct 2026 09:56:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:07:59.21397
• Title: How Robust Are Prognostic Radiomic Features? Comparing Selection Techniques on Pooled Glioblastoma Cohorts
• Title（参考訳）: 放射線学的特徴のロバスト性について : ポリオ芽腫コホートの選択法との比較
• Abstract要約: 放射線治療, 解剖学的, 臨床所見463例と, 705 IDH-wildtype glioblastoma の生存率について検討した。 ランキング法、事前フィルタリング、記述子処理を含む分析パイプラインの選択は、どの特徴が予後に悪影響を及ぼすかに大きく影響する。
• 参考スコア（独自算出の注目度）: 0.03420768233632066
• License:
• Abstract: Radiomic survival studies in glioblastoma report heterogeneous prognostic features, but how much of this stems from the methodology itself is rarely examined. We analysed the association of 463 radiomic, anatomical and clinical features from pre-treatment MRI with overall survival in 705 IDH-wildtype glioblastoma patients from three public cohorts, using three techniques: a log-rank test after median split, univariate Cox regression (both Benjamini-Hochberg corrected) and an XGBoost regressor interpreted with SHAP. The log-rank test selected 99 features, Cox regression 72 and SHAP its top 20; five were selected by all three: age, a peritumoural T2 texture feature, the number of connected peritumoural mask components and two image-level intensity maxima. The two survival tests shared 51 features, about half of the SHAP top 20 were also selected by either test, and where selections overlapped, effect directions agreed. Many selections were PyRadiomics diagnostic descriptors that are not restricted to tumour voxels. Analytical pipeline choices, including ranking method, pre-filtering and descriptor handling, can substantially influence which features appear prognostic.
• Abstract（参考訳）: グリオブラスト腫における放射線生存研究では異種予後の特徴が報告されているが,その方法論自体にどの程度の関連があるかはめったに調査されていない。 463例の放射線, 解剖学的, 臨床的特徴と, 705例のIDH-wildtype glioblastoma 患者3例の生存率との関連を, 中央値分割後のログランク検査, 単変量コックス回帰(Benjamini-Hochberg正解), SHAPによるXGBoost回帰器の3例を用いて検討した。 ログランクテストでは,99種類の特徴,コックス回帰72およびSHAPの上位20種が選択され,5種が年齢,T2周囲のテクスチャ特徴,T2周囲のマスク成分の連結数,2種類の画像レベルの強度の最大値の3つから選択された。 2つのサバイバルテストは51の特徴を共有し、SHAPトップ20の約半数はどちらのテストでも選択され、選択が重なり合う場所で効果の方向が一致した。 PyRadiomicsの診断記述子は腫瘍のボクセルに制限されない。 ランキング法、事前フィルタリング、記述子処理を含む分析パイプラインの選択は、どの特徴が予後に悪影響を及ぼすかに大きく影響する。

関連論文リスト

• Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
  ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。 NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。 セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
  論文  参考訳（メタデータ） (2026-08-12T21:02:59Z)
• PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
  大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。 我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。 LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
  論文  参考訳（メタデータ） (2026-03-02T00:50:39Z)
• Ultrasound-based detection and malignancy prediction of breast lesions eligible for biopsy: A multi-center clinical-scenario study using nomograms, large language models, and radiologist evaluation [8.510068182652324]
  各病変から10例のBIRADSと26例の形態学的特徴を抽出した。 統合BIRADS形態計測ノモグラムは、生検決定の導出と悪性度予測において、スタンドアロンモデル、LCM、および放射線学者より一貫して優れている。
  論文  参考訳（メタデータ） (2025-08-31T17:30:21Z)
• 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)
• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Open-radiomics: A Collection of Standardized Datasets and a Technical Protocol for Reproducible Radiomics Machine Learning Pipelines [0.0]
  我々は,3つのオープンソースデータセット,高次グリオーマ(HGG)と低次グリオーマ(LGG)の分類と生存分析のためのBraTS 2020に基づいて,大規模放射線学データセットをキュレートした。 脳腫瘍369例(GG76例,HG293例)に本プロトコルを適用した。 binWidthや画像正規化とは異なり,腫瘍の亜領域と画像の配列はモデルの性能に大きく影響した。
  論文  参考訳（メタデータ） (2022-07-29T16:37:46Z)
• 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)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
  骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。 放射線学的特徴の再現性と再配置を評価した。
  論文  参考訳（メタデータ） (2020-05-14T09:24:48Z)

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。