論文の概要: Deep Learning-Based Prediction of HER2 Status from Whole-Brain MRI in Breast Cancer Brain Metastases

• arxiv url: http://arxiv.org/abs/2610.32774v1
• Date: Fri, 23 Oct 2026 15:23:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.592401
• Title: Deep Learning-Based Prediction of HER2 Status from Whole-Brain MRI in Breast Cancer Brain Metastases
• Title（参考訳）: 全脳MRIによる乳癌脳転移の深層学習によるHER2像の予測
• Abstract要約: 本研究の目的は,T1-weighted (T1w) MRI画像からHER2の状態を直接予測できるかどうかを検討することである。 従来の放射線学モデル,T1w MRIスキャンのみを用いた簡易完全畳み込みネットワーク(SFCN),専門家由来の腫瘍マスクを用いたT1w MRIスキャンを用いたSFCNの3つのアプローチが実装・評価された。
• 参考スコア（独自算出の注目度）: 2.8228668145108045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: Human epidermal growth factor receptor 2 (HER2) status is a key biomarker relevant for prognostication and treatment decision making in metastatic breast cancer. Thus, the aim of this work was to explore whether HER2 status can be predicted directly from whole-brain post-contrast T1-weighted (T1w) MRI scans in breast cancer brain metastases (BCBM) using deep learning, and whether providing explicit tumour segmentation information improves prediction. Methods: Using the publicly available BCBM-Radiogenomics dataset, we analysed 135 patients, including 70 HER2+ and 65 HER2- patients. Three approaches were implemented and evaluated: a conventional radiomics model, a simple fully convolutional network (SFCN) using T1w MRI scans alone, and an SFCN using T1w MRI scans with an expert-derived tumour mask as an additional input channel. Results: The radiomics model achieved an area under the receiver operating characteristic curve (ROC-AUC) of 0.602 (95% confidence interval [CI]: 0.528--0.677) while the SFCN achieved a ROC-AUC of 0.667 (95% CI, 0.63--0.71) using T1w MRI scans alone, which increased to 0.692 (95% CI, 0.58--0.81) when an explicit tumour mask was additionally provided. Conclusion: However, the modest performance across all approaches demonstrates the difficulty of predicting HER2 status from structural MRI scans alone. The difference between the segmentation-free and mask-guided SFCN models suggests that much of the predictive signal captured by the deep-learning model may be learned directly from whole-brain T1w MRI without requiring explicit tumour delineation. These findings support further investigation of segmentation-free deep-learning approaches as a potential non-invasive strategy to support HER2 status determination in BCBM.
• Abstract（参考訳）: 目的:ヒト上皮成長因子受容体2(HER2)は転移性乳癌の予後と治療決定に重要なバイオマーカーである。 そこで本研究の目的は, 深達度学習を用いた乳癌脳転移(BCBM)におけるT1-weighted (T1w) MRIの脳全体からHER2の状態を直接予測できるか, 明示的な腫瘍セグメンテーション情報の提供が予測を改善するかを検討することである。 方法: BCBM-Radiogenomicsデータセットを用いて,70例のHER2+患者と65例のHER2-患者を含む135例を分析した。 従来の放射能モデル, T1w MRIスキャンのみを用いた簡易完全畳み込みネットワーク(SFCN), T1w MRIスキャンを用いたSFCN, 専門家由来の腫瘍マスクを付加入力チャネルとするSFCNの3つのアプローチが実装され, 評価された。 結果: SFCN は T1w MRI スキャン単独で 0.667 (95% CI, 0.63-0.71) の ROC-AUC を達成し, 明らかな腫瘍マスクの追加で 0.692 (95% CI, 0.58-0.81) まで増加した。 結論: いずれの手法においても,HER2 状態の予測は構造的MRI スキャンだけでは困難である。 セグメンテーションのないSFCNモデルとマスク誘導型SFCNモデルの違いは、ディープラーニングモデルが捉えた予測信号の多くは、明示的な腫瘍のデライン化を必要とせずに、全脳MRIから直接学習できることを示唆している。 これらの知見は,BCBMにおけるHER2状態決定を支援する非侵襲的戦略として,セグメンテーションフリーなディープラーニングアプローチのさらなる研究を支援する。

関連論文リスト

• Large-Scale Pre-training Enables Multimodal AI Differentiation of Radiation Necrosis from Brain Metastasis Progression on Routine MRI [3.291383664051985]
  放射線治療後の腫瘍進展と放射線壊死の鑑別は、脳転移にとって重要な課題である。 従来の教師付き深層学習アプローチは、生検確認の少ない訓練データによって制約される。 自己教師付き学習は、大規模にラベル付けされていない脳転移画像データセットの可用性の増大を活用することで、この問題を克服する。
  論文  参考訳（メタデータ） (2025-11-22T22:44:50Z)
• Cyst-X: A Federated AI System Outperforms Clinical Guidelines to Detect Pancreatic Cancer Precursors and Reduce Unnecessary Surgery [17.390996506076004]
  Cyst-Xは、764人の患者の1,461のMRIスキャンのユニークなマルチセンターデータセットに基づいてトレーニングされたIPMNリスク予測のためのAIフレームワークである。 Cystic-Xは、確立された京都のガイドラインと専門家の放射線技師よりはるかに高い精度(AUC = 0.82)を達成する。 Cystic-Xは膵嚢胞分析のための最初の大規模なマルチセンターMRIリソースを提供する。
  論文  参考訳（メタデータ） (2025-07-29T17:06:22Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics and Machine Learning [7.165205048529115]
  放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。 この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。 以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
  論文  参考訳（メタデータ） (2023-02-17T10:55:18Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• 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)
• 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)
• A transformer-based deep learning approach for classifying brain metastases into primary organ sites using clinical whole brain MRI images [4.263008461907835]
  脳転移性疾患の治療決定は、一次臓器部位癌組織学の知識によって引き起こされる。 臨床全体脳データとエンドツーエンドパイプラインの使用は、外部からの人間の介入を妨げる。 悪性腫瘍の一次臓器部位の正確な診断を可能にするために、脳全体の画像特徴が十分に識別可能であることは確実である。
  論文  参考訳（メタデータ） (2021-10-07T16:10:44Z)
• CorrSigNet: Learning CORRelated Prostate Cancer SIGnatures from Radiology and Pathology Images for Improved Computer Aided Diagnosis [1.63324350193061]
  我々はMRIで前立腺癌を局所化する2段階自動モデルであるCorrSigNetを提案する。 まず,病理組織学的特徴と相関するがんのMRI所見を学習する。 第二に、このモデルは、学習した相関MRI機能を使用して、前立腺がんの局所化のために畳み込みニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-07-31T23:44:25Z)
• 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)

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。