人工知能

Jul 26, 2023

軍事医学研究第 10 巻、記事番号: 22 (2023) この記事を引用

2095 アクセス

1 引用

3 オルトメトリック

メトリクスの詳細

現代医学は、患者の解剖学的構造を非侵襲的に観察するためのさまざまな医療画像技術に依存しています。ただし、医療画像の解釈は非常に主観的であり、臨床医の専門知識に依存する場合があります。さらに、医療画像内の潜在的に有用な定量的情報、特に肉眼では見えない情報は、臨床現場では無視されることがよくあります。対照的に、ラジオミクスは医用画像から高スループットの特徴抽出を実行し、医用画像の定量的な分析とさまざまな臨床エンドポイントの予測を可能にします。研究では、ラジオミクスが診断および治療反応と予後の予測において有望な性能を示し、個別化医療のための非侵襲的な補助ツールとなる可能性を実証していることが報告されています。しかし、特に特徴量エンジニアリングと統計モデリングにおいて、多くの技術的課題がまだ解決されていないため、ラジオミクスは依然として開発段階にあります。この総説では、癌患者の診断、予後、治療反応の予測におけるラジオミクスの応用に関する研究を要約することにより、現在の有用性を紹介します。私たちは、特徴エンジニアリング中の特徴の抽出と選択、および統計モデリング中の不均衡なデータセットとマルチモダリティの融合のための機械学習アプローチに焦点を当てています。さらに、特徴の安定性、再現性、解釈可能性、モデルの一般化可能性、解釈可能性についても紹介します。最後に、ラジオミクス研究における現在の課題に対する考えられる解決策を提案します。

がんは、世界中の多くの人々に影響を与える壊滅的な病気です[1]。癌性腫瘍は、内部組織や器官の複雑なネットワーク内に位置する腫瘍細胞の小さなクラスターとして始まり、そのため、そのような癌 (例、上咽頭癌) を初期段階で診断することが困難になります [2]。さらに、同じ種類と進行度のがんでも、患者が異なれば挙動が著しく異なる可能性があるため、腫瘍の増殖を監視し、臨床医による抗がん治療の処方を支援し、個々の患者の治療反応を評価する方法が利用できることが重要です。 3]。

この点において、コンピュータ断層撮影法 (CT)、磁気共鳴画像法 (MRI)、陽電子放射断層撮影法 (PET)、超音波検査法 (US) などの医療画像処理は、がんの存在を検出し、がんの増殖を監視し、がんの状態を評価するために不可欠です。治療反応。さまざまな画像モダリティにより、内臓のさまざまな特性が捕捉されます。たとえば、CT は動脈石灰化などの臓器の解剖学的変化を検出します [4]。 MRI は軟部組織のコントラストと筋骨格系を視覚化します [5]。 PET は組織や器官の機能的および代謝的変化を捕捉します [6]。造影剤は、正常組織と異常組織 (腫瘍など) の画像における信号強度間のコントラストの視覚化を強化するためによく使用されます。それにもかかわらず、画像の肉眼的検査に基づく臨床判断はリソースを大量に消費する可能性があり、医師の経験に依存し、腫瘍の 3 次元 (3D) ボリューム内のすべての情報を検出できない可能性があります。

ラジオミクスは、マルチモーダル医療画像から高次元の定量的特徴を高スループットで抽出および分析するため [7]、腫瘍内の不均一性を非侵襲的に捕捉できるため、これらの問題に対する有望な解決策として最近浮上しています [8]。。ラジオミクスベースの研究は、画像取得、画像前処理、画像セグメンテーション、特徴抽出、特徴選択、モデル構築と評価の 6 つのステップで構成されます [9]。重要なステップは、特徴エンジニアリング (つまり、特徴抽出と特徴選択) と統計モデリング (つまり、モデルの構築と評価) に関係するステップであり、現在、ほとんどの研究者の取り組みの焦点となっています。さらに、近年、特徴エンジニアリングと統計モデリングが大幅に進歩しました。たとえば、ラジオミクスの特徴は腫瘍の診断や予後と相関があることが現在では知られているため、研究者は最小冗長性最大関連性（mRMR）法、最小絶対収縮選択演算子（LASSO）、およびその他のテクノロジーを使用して、予測ラジオミクスの特徴を選択しています。。彼らはまた、サポートベクターマシン (SVM) やランダムフォレスト (RF) などの分類器を使用して、ラジオミクスベースのモデルを構築しました。数多くの研究でも、例えば癌の診断、予後、治療反応の予測を支援するラジオミクスベースのモデルが構築されています。これらのモデルは、リスクの階層化と患者の個別化された治療を開発する可能性を実証しており、それが精密医療の実現につながる可能性があります。しかし、ラジオミクスにおけるこのような進歩にもかかわらず、いくつかの重要な問題がまだ解決されていません。

0.75 (or some other pre-determined thresholds of correlation coefficient). Thus, in studies (e.g., [72]) that have used the Pearson correlation method to assess the correlation between tumor volume and radiomics feature values, highly volume-correlated features that meet a Pearson’s correlation threshold have been removed. Another filtering method is mRMR method [73], which aims to identify the best subset of features, maximize the relevance between subset and target variables, and minimize the redundancy between features based on mutual information. Hu et al. [74] used the mRMR method for dimensionality reduction in a radiomics study of nasopharyngeal carcinoma. Other filtering methods that have been used are Relief [75], Student’s t-test [76], and Chi-square test [77]. In addition, Parmar et al. [78] examined 14 filtering methods and found that features selected using the Wilcoxon test showed high stability (stability = 0.84 ± 0.05) in their training cohort. Wrapper methods employ model performance as a criterion to judge the quality of features or a feature subset; that is, they gradually retain or remove several features and finally select the feature subset that enables a given model to achieve optimal performance. For instance, recursive feature elimination (RFE) is widely used in radiomics: it generates a subset of features, iteratively constructs a model from the current feature subset, obtains the degree of importance of each feature, removes unimportant features, and retains the features with the best performance [79]. Yu et al. [80] adopted RFE for feature selection in their multiphasic CT-based radiomics analysis to differentiate benign and malignant parotid tumors, and used multiple methods for feature dimensionality reduction. In contrast to filtering methods and wrapper methods, embedded methods perform feature selection and model training simultaneously. First, a classifier obtains the weight coefficient of each feature after training, and then these coefficients are evaluated by a specific model to select the best feature, i.e., the feature is directly selected by the model. LASSO [81] is a commonly used embedded method that applies regularization to remove redundant features and retains the most relevant features. However, LASSO tends to ignore the pairwise correlations of features [82], so it must be combined with other feature redundancy elimination methods to enhance model reliability. In most radiomics studies, feature selection has been conducted via multiple steps using a combination of methods focused on different feature characteristics. For example, in a study of nasopharyngeal carcinoma [83], intraclass correlation coefficients (ICC) were first used to evaluate inter- and intra-observer agreement, and features with high reproducibility were selected. Then, the Wilcoxon rank sum test was used to select the radiomics features that statistically differed between regions of lymphatic infiltration and regions of non-lymphatic infiltration. Finally, LASSO was used to select the most relevant and independent features from a training set./p>

前: CYP4F12 は潜在的なバイオマーカーであり、EMT 経路を介して頭頸部扁平上皮癌の細胞遊走を阻害します。次: 異所性腎臓における子宮内膜症：稀な症例報告と文献レビュー

お問い合わせを送信

送信