概念実証を超えて: 縦断的なフォローアップにおける臨床応用のための堅固な自動化された拡散性低度の膠原腫セグメンテーションの検証

科学分野:

• 神経画像は,神経イメージングによるものです.
• 医療における人工知能
• 腫瘍学 腫瘍学

背景:

• MRIで拡散性低度の膠原腫 (DLGG) の進行をモニタリングすることは,浸透性腫瘍の成長と術後の変化のために困難です.
• RANO基準で2D腫瘍の大きさを評価する一方で,体積分析は成長率の計算の標準です.
• 手動セグメンテーションは時間がかかり,臨床適用を妨げます; nnU-Netのような自動化ツールには検証が必要です.

研究 の 目的:

• DLGG.Netの自動化されたnnU-Netセグメンテーションアルゴリズムの開発と検証.
• 専門の神経放射線科医による手動セグメンテーションと比較して,自動セグメンテーションの精度を評価する.
• 臨床DLGGモニタリングのための自動セグメント化の可能性を評価する.

主な方法:

• DLGG患者207人の1971年のMRIスキャンを使用して,社内のnnU-Netアルゴリズムをトレーニングし,検証しました.
• 多種多様なMRI取得 (2D/3D FLAIR,T1加重) を複数のシステムで利用しました.
• 自動セグメンテーション (AS) と手動セグメンテーション (MS) を比較し,ダイズ類似度係数 (DSC),ユニオン上の交差点 (IoU),コンコンダンス相関係数 (CCC) を使用しました.

主要な成果:

• 平均DSC0.93とIOU0.86.8を達成しました.
• 優秀なDSC (≥0.9) は,検証症例の64%で得られ,良好なDSC ([0.7-0.9]) は31%で得られた.
• ASとMSの間の腫瘍容量 (CCC: 0.991) と平均腫瘍直径 (CCC: 0.989) のほぼ完璧なコンドランス.

結論:

• 自動化されたnnU-Netセグメンテーションツールは,DLGG.NETの高精度を示しています.
• このアルゴリズムは,DLGGモニタリングにおける臨床統合の有意な可能性を示しています.
• この技術は,拡散性低度の膠原腫の管理を向上させることができます.