透明細胞腎臓細胞癌におけるWHO/ISUP核グレードの予測のためのMRIベースの生息地放射学

科学分野:

• 放射線学 放射線学
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• 腫瘍学 腫瘍学

背景:

• クリアセル腎臓細胞癌 (ccRCC) の正確な分類は,治療に極めて重要です.
• 現在の分類は侵襲的な方法に依存しており,非侵襲的な代替手段が必要である.

研究 の 目的:

• ccRCC WHO/ISUPの核グレードを予測するために,腫瘍内,腫瘍周,および生息地のMRI特性を統合した説明可能な融合モデルを開発し,評価する.
• このモデルの非侵襲的術前分類の可行性を評価する.

主な方法:

• 154人のCCRCC患者の遡及的分析.
• コントラスト強化のT1加重型MRIから,腫瘍内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜内膜
• 機械学習モデルと統合ノモグラムの開発.
• ROC曲線 (AUC),校正曲線,および決定曲線解析 (DCA) を使用したパフォーマンス評価.
• シェープリー・アドティブ・エクスプランテーション (SHAP) を用いたモデルの解釈性.

主要な成果:

• 統合生息地地域モデルは高いパフォーマンスを達成しました (AUC 0.894 訓練,0.877 テスト).
• 2mmの腫瘍周縁モデルも高いパフォーマンスを示した (AUC 0.884 訓練,0.839 テスト).
• 生息地,腫瘍内,腫瘍周2mmの特徴,および臨床予測要素を統合した最終ノモグラムは,優れた予測性能を達成しました (AUC 0.934 訓練,0.912 テスト).
• SHAP分析は,モデルの意思決定の可視化を提供しました.

結論:

• 開発されたノモグラムは,マルチモダルのMRI機能を統合し,CCRCCWHO/ISUP核グレードの優れた非侵襲的術前予測を提供します.
• このアプローチは,パーソナライズされた治療計画と予後評価のための補助的なツールとしての可能性を示しています.
• 臨床適用にはさらなる外部検証が必要である.