転移性卵巣がんにおける画像の自動セグメンテーションと治療応答の評価のためのマルチタスクのディープラーニング

科学分野:

• 医療用イメージング
• 人工知能
• 腫瘍学

背景:

• 高度血清性卵巣がん (HGSOC) は複雑で,往々にして進行段階で検出される.
• ネオアジュバント化学療法 (NACT) に続いて手術は一般的な治療法ですが,腫瘍の異質性のために応答を評価することは困難です.

研究 の 目的:

• 転移性卵巣がんにおける同時セグメンテーションと治療応答の評価のためのマルチタスクのディープラーニングアプローチの開発と検証.
• 化学療法の有効性を評価するために,治療前と後のコントラスト強化コンピュータトモグラフィ (CE-CT) スキャンを比較する.

主な方法:

• 2つのU-Netアーキテクチャを利用したマルチタスクのディープラーニングモデルが開発されました.
• このモデルは,骨盤/卵巣およびオメンタル病変の同時セグメンテーションのためのマルチスケール機能を統合しています.
• 99人の卵巣がん患者のCE- CTスキャンで,セグメンテーションと応答の予測を訓練した.

主要な成果:

• 49人の独立したコホートで0. 78の曲線下領域 (AUC) を達成した.
• セグメンテーションの性能 (ダイススコア) は,HGSOCセグメンテーションの最先端の方法と同等でした.
• 複数の疾患部位における化学療法による腫瘍変化の評価における実現可能性が実証された.

結論:

• これは,複合的な多部位HGSOCにおいて,化学療法による腫瘍変化を評価できるマルチタスクのディープラーニングアプローチを示す最初の研究です.
• 開発されたモデルは,卵巣がん患者の治療反応評価と疾患モニタリングの可能性を示している.