超音波画像を用いた包括的な卵巣腫瘍解析のための放射線画像とビジョントランスフォーマーを統合したマルチセンター深層学習フレームワーク

科学分野:

• 医用画像処理
• 人工知能
• 腫瘍学

背景:

• 卵巣がんの診断と予後は画像解釈に大きく依存している。
• 現在の方法では、観察者間変動が生じる可能性がある。
• 深層学習は、標準化された正確な解析の可能性を提供する。

研究 の 目的:

• 卵巣腫瘍解析のためのマルチセンター深層学習パイプラインを開発・検証する。
• 超音波検査からの放射線画像特徴と深層特徴を統合する。
• 画像分節、分類、予後予測を可能にする。

主な方法:

• 8つのセンターにわたる3156件の超音波検査症例の後ろ向き解析。
• 5つの画像分節ネットワーク（例：UNETR）を訓練し、放射線画像特徴/深層特徴（例：ResNet、ViT）を抽出した。
• 多クラス分類と無増悪生存期間予測のための回帰に分類器（例：TabTransformer）を使用した。

主要な成果:

• UNETRは96.2%の画像分節精度を達成しました。
• TabTransformerを用いた複合特徴モデルは、外部AUCで95.8%の分類精度に達しました。
• TabTransformerは、強力な予後予測（C指数：0.847）を示しました。

結論:

• 深層学習フレームワークは、卵巣腫瘍解析における変動を低減する可能性を示す。
• 卵巣がんの個別化された臨床的意思決定を支援する。
• このパイプラインは、複数のセンターで堅牢なパフォーマンスを示す。