マシン・ラーニングに基づく,マルチモダルのデータから,攻撃性および悪性腎臓腫瘍の分類
Mehrnegar Aminy1, Tejal Gala2, Agnimitra Dasgupta1
1Department of Aerospace and Mechanical Engineering, Viterbi School of Engineering, University of Southern California (USC), Los Angeles, California, United States of America.
PLOS digital health
|February 20, 2026
まとめ
機械学習は,CTスキャンと臨床データを用いて腎臓腫瘍を正確に分類し,アグレッシブとインドレンスのタイプを区別します. 腫瘍の大きさは分類を大幅に改善し,パーソナライズされた治療戦略を支援しました.
科学分野:
- 放射線学と医療イメージング
- 医療における人工知能
- 腫瘍学 腫瘍学
背景:
- 腎臓腫瘍は,効果的な治療のために正確な分類を必要とします.
- 良性腫瘍,悪性腫瘍,悪性腫瘍,悪性腫瘍と悪性腫瘍の区別は,予後にとても重要です.
- 現在の分類方法は,イメージングと臨床データを統合することによって強化することができます.
研究 の 目的:
- 腎臓腫瘍を分類するための機械学習 (ML) パイプラインの開発と評価.
- 多相コントラスト強化CT (CECT) 画像と腫瘍分類における臨床データの貢献を評価する.
- 腎臓の良性腫瘍,悪性腫瘍,不良性腫瘍,悪性腫瘍,悪性腫瘍と悪性腫瘍を区別する.
主な方法:
- 遡及的研究では,腎臓腫瘍を患った448人の患者が参加しました.
- マルチフェーズCECT画像は,自己監督による特徴抽出を行いました.
- 特徴は,臨床データと腫瘍サイズと組み合わせて,ランダムフォレスト (RF) および多層感知器 (MLP) モデルを使用して分類しました.
- 評価のために,内蔵の5倍クロス検証とAUC分析が使用されました.
主要な成果:
- MLパイプラインでは,インドレント対アグレッシブ腫瘍を分類するために,AUC 0.90を達成しました.
- 悪性腫瘍と良性腫瘍を分類するために,AUC 0.76 が達成されました.
- 腫瘍の大きさを考慮すると,分類の精度が著しく向上し,RFはインドレント対攻撃性,MLPは悪性対良性分類で卓越した.
結論:
- 開発されたMLパイプラインは,アグレッシブとインドレントの腎臓腫瘍を正確に区別し,予後的な洞察を提供します.
- 腫瘍の大きさは重要な要因であり,CET画像と臨床データの予測価値を高めます.
- MLテクニックは,腎臓腫瘍リスクの階層化とパーソナライズされた治療を改善する大きな可能性を示している.
