差別的なDLBCLとPET/CTの放射学によるIDCのための2.5Dディープラーニングと機械学習
Fei Liu1,2,3,4,5, Wen Chen1,2,3,4,5,6, Jianping Zhang1,2,3,4,5
1Department of Nuclear Medicine, Fudan University Shanghai Cancer Center, Shanghai 200032, China.
Bioengineering (Basel, Switzerland)
|August 28, 2025
まとめ
この研究では,F-FDG PET/CT画像と機械学習を用いた自動診断モデルを開発し,拡散型大B細胞リンパ腫 (DLBCL) と侵襲性管道性がん (IDC) を非侵襲的に正確に区別しました.
科学分野:
- 腫瘍学
- 放射線科
- 人工知能
背景:
- 分散型大B細胞リンパ腫 (DLBCL) と侵襲性管道性がん (IDC) の正確な区別は,患者の管理に不可欠です.
- 現在の診断方法は 侵襲的な病理学的検査に依存しています
- 病理学に匹敵する精度を持つ非侵襲的な診断モデルが必要である.
研究 の 目的:
- F-FDG PET/CTを用いたDLBCLとIDCの非侵襲的な診断モデルを確立する.
- この2つの状態を分類するための信頼できるデジタルイメージングバイオマーカーを特定する.
- 機械学習とディープラーニングモデルのパフォーマンスを 病理学の基準と比較する.
主な方法:
- F- FDG PET/ CTを受けた279人の病理的に確認されたDLBCLとIDCの乳腺ノードルを利用した.
- 2.5D ディープラーニングとマシンラーニング技術を機能抽出とモデル開発に使用しました.
- 内部と外部コホートで検証されたモデルで,AUCと混乱マトリックスを用いてパフォーマンスを評価する.
- SHAPとLIME技術を用いてモデル決定を解釈した.
主要な成果:
- 最適なモデルであるPT_TDC_SVMは高い精度 (0. 980内側,0. 975外側) とAUC (0. 992内側,0. 996外側) を達成した.
- 最高のイメージングバイオマーカーであるPET_LBP-2D_gldm_DependenceEntropyは,平均0. 923 (内部) と0. 937 (外部) の精度を示した.
- 開発された自動化されたモデルは,正確なDLBCLとIDC分類のための重要な可能性を証明しました.
結論:
- F-FDG PET/CT画像を用いてDLBCLとIDCを区別するための革新的な自動モデルが開発されました.
- 信頼性の高いデジタルイメージングバイオマーカーが特定され,有望な非侵襲的な診断アプローチが提供されました.
- この研究結果は,AI主導のモデルが特定の文脈で従来の病理学的検査を補完する,あるいは置き換える可能性を示唆しています.
