軟組織サーコマにおける手術後の再発のMRIベースの予測におけるディープ・トランスファー・ラーニングと放射線学の融合

科学分野:

• 腫瘍学
• 放射線科
• 医療用イメージング

背景:

• 軟組織肉腫 (STS) は,手術後の再発率が高い異質な癌です.
• STSの再発の正確な予測は,効果的な治療計画と患者管理に不可欠です.
• STS再発の課題に取り組むために,既存の予測ツールは改善する必要があります.

研究 の 目的:

• 術後のSTS再発を予測するために,MRIからのディープ・トランスファー・ラーニングと放射線学を統合した融合モデルを開発し,検証する.
• 提案されたモデルのパフォーマンスを,放射性および深層学習モデルのみと比較して評価する.
• 手術前のSTS再発を予測するための強固で非侵襲的なツールを確立する.

主な方法:

• 2つの施設の803人のSTS患者の軸性T2重量脂肪抑制MRIスキャンを遡及分析した.
• Auto3DSegフレームワーク内のSegResNetモデルを使用して腫瘍のセグメンテーション.
• ラジオミックとディープラーニングの特性を抽出し,LASSO回帰を用いて特性を選択する.
• 両方の特徴セットを組み合わせた深層学習放射学モデル (DLR) の開発と,ExtraTrees分類器を使用して評価.

主要な成果:

• DLRモデル (ExtraTrees) は,0. 818 (内部検証) と0. 809 (外部検証) の曲線下の面積 (AUC) で優れた予測性能を達成しました.
• DLRモデルはスタンドアロン放射性 (AUC 0.710/0.612) とディープラーニング (AUC 0.751/0.667) モデルを上回った.
• 再発の予測に対する感度と特異性は,それぞれ0. 702 - 0. 976と0. 732 - 0. 830の範囲で,強力な臨床的有用性を示した.

結論:

• 開発されたDLRモデルは,軟組織サルコムの再発を予測するための強固で非侵襲的な方法を提供します.
• この予測ツールは パーソナライズされた治療決定と 術後の管理戦略の最適化に役立ちます
• ディープラーニングとラジオミクスの統合は,STSの予後評価において重要な進歩を示しています.