ハビタット・ラジオミクスとビジョン・トランスフォーマー・ディープ・ラーニングを統合したマルチDECT画像ベースの解釈可能なモデル
Changyu Du1, Wei Wei1, Mengting Hu1
1Department of Radiology, First Affiliated Hospital of Dalian Medical University, Dalian, China (C.D., W.W., M.H., J.H., J.S., Y.L.).
Academic radiology
|August 31, 2025
まとめ
新しい解釈可能なディープラーニングモデルは,生息地放射学とVision Transformer (ViT) を統合し,二重エネルギーCT (DECT) 画像を使用して膀癌 (BCa) の筋肉侵入を効果的に予測します. このアプローチは,個別化された治療計画に役立ちます.
科学分野:
- 放射線科 と 医学 画像
- 医療における人工知能
- 腫瘍学
背景:
- 膀がん (BCa) の治療計画において,筋肉侵襲の正確な術前予測は極めて重要です.
- 二重エネルギーCT (DECT) は,腫瘍の特徴を評価するのに役立つ定量的なイメージングパラメータを提供します.
- 解釈可能なディープラーニング (DL) モデルは,臨床意思決定のサポートにおいてますます重要になっています.
研究 の 目的:
- マルチDECT画像ベースの解釈可能なモデルを評価し,生息地放射学とBCaの筋肉侵入を予測するための3Dビジョントランスフォーマー (ViT) を統合する.
- この統合モデルの性能を従来の放射線学と単一のDLモデルと比較する.
- 開発されたモデルの解釈性と臨床的有用性を評価する.
主な方法:
- DECTデータを用いた200人のBCa患者の遡及分析.
- K-meansクラスタリングを用いた生息地放射学モデルの開発.
- 3D ViTを含む様々なDLモデルと,仮想単色画像 (VMIs) を使用した融合モデルの構築と評価.
- 性能指標には,AUC,校正曲線,DCA,NRI,IDIが含まれていました. SHAPはモデル解釈に使用されました.
主要な成果:
- 統合されたHabitat- ViTモデルは,トレーニングコホートで0. 997,テストコホートで0. 892のAUCで優れた性能を達成しました.
- DECTの定量的なパラメータが加えられた場合,モデルの性能は有意に改善されませんでした.
- ハビタット-ViTモデルは好ましい純利益と強力な校正を示し,SHAPは意思決定プロセスへの洞察を提供しました.
結論:
- ハビタット放射学とViT DLを統合したマルチDECT画像ベースの解釈可能なモデルは,BCaにおける筋肉侵入の術前予測に有望であることを示しています.
- このアプローチは,パーソナライズされた治療戦略と予後評価のための貴重な洞察を提供することができます.
- このモデルの解釈は 臨床採用の可能性を高めます
