MRIの開発

Scientific Reports volume 13、記事番号: 1590 (2023) この記事を引用

495 アクセス

1 オルトメトリック

メトリクスの詳細

良性および悪性の子宮内膜病変の公平で正確な診断は、種類ごとに異なる治療が必要な場合があるため、婦人科医にとって不可欠です。 ラジオミクスは、情報の詳細なマイニングと画像の不均一性の定量化を容易にする定量的方法であり、それによって臨床医が適切な病変診断を行うのに役立ちます。 この研究の目的は、良性および悪性の子宮内膜病変を分類するための適切な予測モデルを開発し、モデルの潜在的な臨床応用可能性を評価することです。 2018年1月から2020年7月までに2つの独立したセンター（センターAとセンターB）で病理学的に子宮内膜病変が確認された患者139人が最終的に分析された。 センター A はトレーニング セットに使用され、センター B はテスト セットに使用されました。 病変は、2 人の放射線科医が病変領域に基づいて最大のスライスに手動で描画しました。 特徴の抽出と特徴の選択後、ラジオミクスの特徴と臨床パラメーターの間の考えられる関連性が単変数および多変数ロジスティック回帰によって評価されました。 受信者オペレータ特性 (ROC) 曲線と DeLong 検証を使用して、モデルの可能な予測パフォーマンスを評価しました。 決定曲線分析 (DCA) を使用して、ラジオミクス ノモグラムの純利益を評価しました。 選択された 15 個の特徴からラジオミクス予測モデルが確立され、トレーニング コホートとテスト コホートの両方の ROC 曲線下面積 (AUC) に基づいて比較的高い識別力があることがわかりました (AUC = 0.90 および 0.85)。 。 ラジオミクス ノモグラムも、トレーニング コホートとテスト コホートの両方で良好な識別性能を示し (それぞれ AUC = 0.91 および 0.86)、DeLong テストでは、AUC が臨床パラメータとノモグラムの間で有意に異なることが示されました。 DCA の結果は、この新しいノモグラム法の臨床的有用性を実証しました。 MRI ラジオミクスと臨床パラメーターに基づいて構築された予測モデルは、高い診断効率を示し、子宮内膜病変の正確な同定と予測に対する臨床的有用性の可能性を示唆しています。

子宮内膜病変は女性の生殖器系で一般的に発生する疾患であり、不妊症の原因になったり、異常な子宮出血を引き起こす可能性があります1,2。 人口の高齢化と肥満率の増加3の結果、子宮内膜がん（EC）の発生率は急速に増加しており、先進国では最も一般的に診断される婦人科悪性腫瘍の1つとなっています4。 磁気共鳴画像法 (MRI) は、分解能が大幅に高いという多大な利点の結果、子宮内膜の状態を明確に示すことができ、新たに診断された EC 患者の画像処理オプションの基礎を形成することができます5。 しかし、子宮内膜に関連する異常を正確かつ客観的に評価することは、放射線科医や婦人科医にとってさまざまな課題となる可能性があります。 一方で、正常な子宮内膜は動的な組織であり、主に年齢、閉経状態、月経周期、ホルモン療法の影響を受ける可能性があります6。 さらに、良性病変と悪性病変の重なり合う画像特徴と臨床的特徴が同時に検出される可能性があることがわかっています1,7。 子宮内膜病変のサイズはさまざまであるため、正確な診断には大きな課題が生じます。 大きな病変の存在は、子宮内膜の異常な外観を引き起こし、組織学の正確な起源を混乱させる可能性がありますが、正常組織と頻繁に重なる小さな病変は無視されることがよくあります8。 経膣超音波検査や子宮鏡検査も子宮内膜病変の診断に役立つことがわかっていますが、どちらも関与する外科医の経験に依存しており 8,9 、比較的高い主観性とばらつきをもたらします。 したがって、効率的な治療のためには、子宮内膜病変の良性と悪性を正確に区別することが重要です。

急速に発展している科学であるラジオミクスは、デジタル画像を採掘可能な高次元データに効果的に変換できるため、病態生理学的状態と腫瘍の不均一性の両方の基礎となる生物医学情報を明確に反映できます10,11。 人間の視覚による画像解釈の欠陥を克服し、より客観的で正確な情報を得ることができるため、さまざまな病気の進行を監視するために広く使用されています10。 私たちのグループは以前、CT ベースのラジオミクスを使用して卵巣新生物の悪性腫瘍を検出するための自動診断アプローチを開発し、満足のいく結果を得ました 12。 EC13、14、15 の術前評価の正確な評価に焦点を当てた報告がいくつかあります。 しかし、婦人科医が適切な治療法を選択できるよう、子宮内膜病変の信頼できる一次鑑別診断も緊急に必要とされています。 この研究では、原発性子宮内膜病変から抽出されたMRIベースのラジオミクスデータに基づいて、良性疾患と悪性疾患の区別を容易にするイメージングバイオマーカーが非侵襲的に開発される可能性があるという仮説を立てました。

この後ろ向き研究は、2 つの独立したセンター (センター A と B) によって共同で実施されました。 2018年1月から2020年7月にかけて、術前MRIで組織学的に子宮内膜病変と診断された連続164例の患者がセンターAとBで別々に収集された。これらの子宮内膜病変には、EC、子宮内膜増殖症、粘膜下筋腫、子宮内膜ポリープ、子宮内膜炎などの良性および悪性の子宮内膜疾患が含まれていた。 使用された包含基準は以下の通りである:(1) 組織病理学的に確認された子宮内膜病変を有する女性患者、(2) 子宮内膜腫瘍以外の悪性腫瘍の過去または現在の病歴のない患者、(3) 術前全身療法を受けていない、(4) 30日以内にMRIが実施された。婦人科の手術前。 使用した除外基準は次のとおりです: (1) 低品質の画像記録 (n = 3)、(2) 手術情報なし (n = 12)、(3) 術前全身療法 (n = 3)、(4) その他の悪性腫瘍EC よりも (n = 2)、(5) 子宮内膜の明確な良性および悪性病変を伴う (n = 5)。 最後に、合計139人の患者がこの研究に登録され、センターAで治療を受けた98人の患者（良性および悪性の子宮内膜病変を有する患者がそれぞれ46人および52人）がトレーニングコホートに割り当てられたのに対し、41人の患者（19人および22人が含まれる）は訓練コホートに割り当てられた。センターBで治療を受けた良性および悪性の子宮内膜病変にそれぞれ対応する患者）を試験コホートに割り当てた。 研究のワークフローの概要を図 1 に示します。

研究のワークフローの概要を示す図。

MR 画像は、フェーズド アレイ腹部コイルを備えた 3 T Trio Siemens スキャナー (中央 A) および 3 T Magnetom Skyra Siemens スキャナー (中央 B) を使用して取得されました。 データ収集中、すべての患者は仰臥位で自由に呼吸する必要がありました。 次のシーケンスが得られました: 軸方向 T1 強調イメージング (T1WI)、軸方向 T2 強調イメージング (T2WI)、脂肪飽和を伴う冠状および矢状方向 T2 強調イメージング (FS T2WI)、および ab 値が の拡散強調イメージング (DWI) 0 および 800 s/mm2 と見かけの分散係数 (ADC) マップ。 FS T2WI 画像は、脂肪飽和を伴うターボ スピン エコーを使用して取得されました (繰り返し時間 (TR)/エコー時間 (TE) = 3960/84、マトリックス = 512 × 512、視野 (FOV) = 350 × 350 mm2、スライス厚 = 4.0 mm、平均 = 1、ボクセル サイズ = 0.8 × 0.8 × 4.0 mm3 (中心 A および TR/TE = 3200/101)、マトリックス = 512 × 512、FOV = 207 × 207 mm2、スライス厚 = 4.0 mm、平均 = 2 、中心 B のボクセル サイズ = 0.6 × 0.6 × 4.0 mm3)。

すべての関心領域 (ROI) は、ベースライン DICOM 画像から開始して ITK-SNAP ソフトウェア (バージョン 3.8.0、www.itksnap.org) を使用してセグメント化されました。 手動 ROI セグメンテーションは、患者の組織病理学データを知らされていない放射線科医 (腹部 MRI で 5 年の経験を持つ読者 A) によって、矢状 FS T2WI シーケンスの最大病変直径スライス 16 から実行されました。 1 か月後、別の放射線科医 (腹部 MRI で 10 年の経験を持つ読者 B) が、30 枚の異なる画像からランダムに画像を選択し、手動で ROI 描画を繰り返しました。 2 つの異なるリーダーから抽出された ROI の特徴は、クラス内相関係数 (ICC) を使用して計算されました。

空間リサンプリングは特徴抽出前に実行されました。 サジタル FS T2WI の元の DICOM データとペアの 2D ROI は 1 × 1 × 1 ボクセルでリサンプリングされました。 その後、ヒストグラム、フォームファクター、ハラリック、グレーレベル共起行列 (GLCM)、グレーレベルゾーンサイズ行列 (GLZSM)、およびグレーレベルランレングス行列 (GLRLM) を含むラジオミクス特徴が AK ソフトウェア (人工インテリジェンス キット V 3.0.0R、GE ヘルスケア）。 考えられる空間分布またはパターンを記述するために、4 つの異なる方向 (0°、45°、90°、135°) および 3 つのオフセット 1、4、7 の GLCM および GLRLM が計算されました。 最終的に、各 ROI から 396 個の個別の特徴が抽出されました。

データの前処理には 3 つのステップが使用されました。 まず、外れ値が同じ特徴の中央値に置き換えられました。 次に、Z スコア正規化を適用して、フィーチャの値スケールの違いを排除します。 第三に、センター A で治療を受けた患者はトレーニング セット (n = 98) に割り当てられ、テスト セットはセンター B の患者のみで構成されました (n = 41)。 センター A と B は、異なる患者データと MRI スキャン機器を備えた 2 つの異なる施設であるため、それぞれをトレーニング セットとテスト セットとして使用してモデルの一般化を評価する方が適切です。

特徴量を減らす前に、リーダー A とリーダー B の特徴ごとにクラス内相関係数 (ICC) を計算し、再現性が低く堅牢性の低い特徴を削除しました。 さらに、ICC > 0.75 の画像特徴のみが適格な特徴とみなされたため、高い再現性と一致が示され 14、その後の計算のために予約されていました。

R ソフトウェア (バージョン 3.4.4) の最大関連性最小冗長性 (mRMR) パッケージを使用して、トレーニング データセット内の冗長で無関係な特徴を事前に削除し、最も重要な 20 個の特徴が保存されました。 最小絶対収縮および選択演算子 (LASSO)17 アルゴリズムを使用して、追加の特徴を効果的に削減するために、特定のペナルティ関数を構築することにより、抽出された特徴の係数を効果的に圧縮し、回帰係数をゼロにしました。 このプロセスでは、10 分割相互検証を使用して、LASSO 回帰モデルの最小目的関数値で得られた最適パラメータ λ を正確に計算しました。

最終的に選択された特徴は、LASSO アルゴリズムの最適パラメータ λ の下で、ラジオミクス モデルを構築するために使用されました。 ラジオミクス シグネチャは、最終的に選択された特徴とそれらの対応する係数重み付け値の積の合計として取得され、これはラジオミクス スコア (radscore) に相当します。

トレーニングコホートでは、年齢18、体格指数（BMI）19,20、更年期障害の状態21、高血圧や糖尿病の状態22など、子宮内膜病変のさまざまな臨床パラメータをスクリーニングする可能性があるため、一変量ロジスティック回帰が実行されました。 良性と悪性の子宮内膜疾患を区別するためのより包括的で有効なノモグラム モデルの開発を促進するために、多変量ロジスティック回帰と段階的回帰を利用して重要な指標を選択しました。 さらに、多変量ロジスティック回帰に基づいて、臨床パラメータとRadscoreを組み合わせた新しいノモグラムモデルが確立されました。

受信者動作特性 (ROC) 曲線を使用して、モデルの識別能力を評価しました。 その後、2 つの施設の患者は ROC 曲線のカットオフ値に基づいて良性または悪性の確率グループに分類され、ノモグラム法により子宮内膜悪性腫瘍の発生確率を正確に示すことができました。 モデルの性能を評価するために、Hosmer-Lemeshow 検定と検量線が使用されました。 最後に、ノモグラムの実現可能性を検証するために決定曲線分析 (DCA) も実行されました。

統計分析は、SPSS 22.0 ソフトウェアと R ソフトウェアを使用して実行されました。 サンプル間のカウントデータはχ2検定により比較されました。 データの正規性はコルモゴロフ・スミルノフ検定によって検証されました。 2 つのデータセットのさまざまなパラメーターはすべて統計的に比較されました。 正規分布データは t 検定によって分析され、偏った分布データはマンホイットニー U 検定によって分析されました。 モデルの予測診断効率は、データの特異性、感度、精度を決定するために、ROC 曲線下面積 (AUC) とその 95% 信頼区間 (95% CI) によっても評価されました。

匿名データの使用に基づくこの後ろ向き研究は、江西省人民病院の倫理委員会によって承認され、インフォームド・コンセントの要件は免除されました。 人間の参加者が関与する研究で行われたすべての手順は、施設（江西省人民病院）および/または国家研究委員会の倫理基準、および 1964 年のヘルシンキ宣言およびその後の修正または同等の倫理基準に従っていました。

全体として、表 1 に示すように、年齢、BMI、閉経状態、高血圧および糖尿病の有病率の指標に関して、トレーニング コホートとテスト コホートの間に有意な差は観察されませんでした。トレーニングコホートでは良性子宮内膜疾患と悪性子宮内膜疾患の間の臨床パラメーター（年齢、閉経期）が認められましたが（p < 0.05）、テストコホートでは有意な臨床パラメーターはありませんでした（p > 0.05）。

良性および悪性の子宮内膜病変を分類するための臨床パラメーターで構成される予測モデルは、次のパフォーマンス指標を返しました。 トレーニングコホートにおけるAUCは0.70（95％CIは0.60～0.80）で、特異度、感度、精度はそれぞれ54.3、80.8、68.4％であることが観察された。 試験コホートのAUCは0.65（95％CIは0.49～0.81）、特異度、感度、精度はそれぞれ57.9、72.7、65.9％であることが判明した（表2を参照）。

ICC < 0.75 の特徴が削除され、271/396 の特徴 (68.4%) が残りました。 さまざまな特徴の選択と次元削減の後、最終的に上位 15 個の重要な特徴が選択され、これらはラジオミクス シグネチャ モデルの構築に使用されました (図 2 を参照)。 結果は、トレーニング データとテスト データの両方で、わずかな違いのみで良好な予測パフォーマンスを示しました。 ラジオミクス シグネチャ モデルは、トレーニング コホートおよびテスト コホートで AUC 値 0.90 (95% CI 0.84 ～ 0.96) および 0.85 (95% CI 0.72 ～ 0.98)、特異度 76.1 という満足のいくパフォーマンスを示したことがわかりました。それぞれ、感度値は 94.2 と 95.5%、精度値は 85.7 と 78.0% でした (表 2 を参照)。 radsスコアは、臨床パラメータモデルと比較して、トレーニングデータとテストデータの両方で有意に優れた識別を示し、それによって子宮内膜疾患の鑑別診断におけるラジオミクスシグネチャの高い有効性を示しました（図3）。

さまざまな機能の選択と寸法削減は LASSO 法を使用して実行されました。 (a) 10 分割交差検証を使用して、最小基準で最適なパラメーター (λ) を選択し、特徴の数を決定しました。 (b) 最適パラメータ (λ) の係数。 選択した log (λ) の値に垂直線が引かれ、ゼロ以外の係数が示されました。 (c) 最終的に選択された特徴と対応する係数。

トレーニングコホートとテストコホートにおける良性子宮内膜病変と悪性子宮内膜病変のRADスコア比較（左：トレーニングコホート、右：テストコホート）。

その後、単変量ロジスティック回帰モデル (p < 0.1) を使用して、子宮内膜病変の潜在的な臨床予測因子として年齢、閉経期、高血圧をフィルター処理しました。 患者の良性および悪性の子宮内膜疾患を適切に識別するために、段階的回帰で赤池情報量基準 (AIC) の最小値が得られた臨床パラメーター (年齢および閉経期) の最も予測性の高いサブセットが選択されました。 多変量ロジスティック回帰により、最終的にradsスコア、年齢、閉経期を含む3つの重要な予測因子が得られ、より包括的で堅牢な予測モデルとノモグラムの構築につながりました（図4）。

(a) トレーニングコホートで開発された、子宮内膜病変の良性と悪性の区別を決定するためのラジオミクスノモグラム。 (b) トレーニング セット (左) とテスト セット (右) の検量線。

ラジオミクスノモグラムは、トレーニングコホートとテストコホートの両方の検量線を通じて子宮内膜病変の特性の予測において優れた校正の可能性を示しましたが（図4）、ホズマー・レメショー検定では統計的有意性は示されませんでした（p > 0.05）。 ラジオミクスノモグラムの AUC は、トレーニングセットとテストセットでそれぞれ 0.91 (95% CI 0.86 ～ 0.97) と 0.86 (95% CI 0.74 ～ 0.98) でした (図 5)。 特異度、感度、精度は、トレーニング セットではそれぞれ 91.3、75.0、82.7%、テスト セットでは 76.2%、85.0%、80.5% でした (表 2)。

（a）良性および悪性の子宮内膜病変を特定するためのノモグラム、ラジオミクスシグネチャー、および臨床パラメーターモデルのROC曲線と対応するAUC値（左：トレーニングコホート、右：テストコホート）。 (b) 決定曲線分析を使用して、モデルの臨床上の利点を評価しました。 緑、青、赤の線は、それぞれ臨床パラメータ、ラジオミクス シグネチャ、ラジオミクス ノモグラム モデルに対応します。 黒い線はすべての指標がプラスである極端な状況を表し、赤い水平線は分析されたすべての指標がマイナスである他の極端な状況を表します。

DeLong 検定の結果に基づいて、モデルの AUC は、トレーニング コホートとテスト コホートの両方で臨床指標とノモグラムの間で有意な差があることが観察されました (p < 0.05、表 3 を参照)。これは、モデルの予測パフォーマンスが良好であることを示しています。両方のコホートのノモグラム。 さらに、Youden 指数のカットオフ値 0.566 によれば、ノモグラムは子宮内膜病変のリスク スコアを評価し、患者を低リスク グループと高リスク グループに分類するのを容易にする可能性があります。 図 5 は、ラジオミクス ノモグラムの DCA プロットを示しています。 結果は、臨床パラメーター モデルと比較して、開発されたノモグラム手法のリスク予測性能がより優れていることを示しました。

この研究の主な成果は、子宮内膜病変の良性と悪性を効果的に区別できるラジオミクスに基づく新しい分類モデルの構築でした。 ノモグラム モデルとラジオミクス モデルは両方とも、臨床パラメータ モデルよりも優れた効率を示しており、術前の非侵襲的 EC 検出の臨床的価値を示唆しています。 ノモグラムとラジオミクス モデルは同等の AUC 値を示しますが、ノモグラムは、読み取り不可能な高次元の特徴ではなく、子宮内膜病変のリスク確率を定量化できます。

画像から抽出された特徴の堅牢性は、ラジオミクスの開発にとって不可欠です。 ターゲットのセグメンテーション、特徴抽出、特徴選択、分類モデルの実装は、観察者間および観察者内の高い変動性の影響を受けます23。 この研究のデータセットは比較的小さく、特徴の堅牢性と再現性を向上させるために ICC が計算されたため、手動セグメンテーションを選択しました。 放射線科医は手動でターゲットを柔軟に描写できるため、高精度のセグメンテーションが得られます。手動セグメンテーションは、ターゲット病変を取得するためのより直観的で簡単に実装できる方法です。 それにもかかわらず、手動によるセグメンテーションは多大な労力と時間がかかり、巨大なデータセットを必要とするラジオミクス解析には必ずしも実行可能であるとは限りません。 自動または半自動のセグメンテーション方法を使用すると、オペレータに大きく依存するという問題を克服できる可能性があります。 したがって、大規模なデータセットを使用したラジオミクス研究のほとんどは、自動または半自動セグメンテーション手法に基づいていました。 領域拡張やしきい値処理などの多くの半自動描写アルゴリズムは、手動セグメンテーションほど正確ではありませんが、臨床環境で使用されています24。

以前に報告されたラジオミクス研究で有益な実証があったため、この研究はラジオミクスデータ抽出のための FS T2WI 画像に焦点を当てました 25,26。 さらに、ADC 画像には磁場均一性の高い要件があり、特に骨盤領域でアーチファクトの影響を受けやすいことがわかっています 13。 動的造影剤で増強された T1WI は、一部の良性子宮内膜疾患に対する従来のシーケンスとは考えられていませんでした。 ここで、抽出された 15 個の特徴は、フォーム ファクター、ハラリック、GLRLM、および GLCM のさまざまなパラメーターで構成されていました。 フォームファクターの特徴には、病変領域の 3 次元サイズと形状の詳細な記述子が含まれており 27、したがって、子宮内膜疾患の鑑別診断の重要な予測因子としての病変サイズの役割が示されています 28。 GLCM 特徴は、共起行列の分布を定量化することによって、値の複雑さとレベルの変化を記述することもできます29。 GLCM のエントロピーと慣性は、それぞれ強度画像のランダム性と画像の鮮明さの両方を反映できます。 さらに、GLCM のエネルギーとハラリック パラメータは、局所均一性として知られる均一性を強調しました 29。 CLRLM の特徴は、主にテクスチャの粗さと方向性を反映したものです30。

ラジオミクス分析はすでに子宮内膜疾患に対して適用されており、特に EC に対して優れた結果を示しています。 たとえば、ヤンら。 らは、骨盤リンパ節の状態を正確に評価できるラジオミクス モデルを構築し、EC31 のリンパ転移の術前診断に役立てました。 さらに、別の研究では、革新的な臨床ラジオミクス機械学習モデルを開発し、非侵襲的に造影 CT 画像から EC のさまざまな分子異常を特定することを試みました 32。 ノモグラムの主な利点は、結果により一般的な MRI 画像と正確なリスク階層化が提供できることです。 モデルが病理の理想的なレベルになることができず、誤分類が避けられない場合でも、ノモグラムの結果には、EC9 の正しいスコアの客観的かつ特定の確率が含まれます。 放射線科医や婦人科医が術前に診断について具体的な判断を下すことが難しい場合があることがわかっています。 客観的な確率を利用できることは、臨床医の一部の誤った判断を補うことができる診断に大きな利点をもたらします。 さらに、ノモグラムは治療前に MR 画像からこれらの高リスク因子に関する明確な情報を提供できるため、最適な選択を行うための術前リスク層別化により、より大規模な手術が必要となる可能性のある EC 患者を効果的にスクリーニングし、同時に過剰治療を最小限に抑えるのに役立つ可能性があります。低リスク患者の場合。

この研究にはいくつかの制限があります。 第一に、登録された患者の数は、特に複数のサブタイプを含む良性子宮内膜病変を有する患者の場合、比較的少なかった。 さらに、この研究で分析された子宮内膜病変は一般的な 5 種類のみであり、発生率の低い症例は含まれていませんでした。 第二に、かなり多くの時間と労力を必要とするため、この研究では体積分析は実行されませんでした。 したがって、本質的な異質性に関連するいくつかの重要な特徴が、2 次元手法では見逃されている可能性があります。 マルチ画像研究の欠如も、もう 1 つの主な制限です。 理論的には、すべての MRI シーケンスから膨大な情報を得ることができます。 前向き研究を活用したさらなる検証も必要です。 また、固有のバイアスや過剰適合を注意深く回避することによって、予測モデルの堅牢性と適用性を確認することも重要である可能性があります33。 したがって、モデルをいくつかの異なる条件にうまく適用できるように、モデルを大幅に強化し、一般化能力をさらに検証するには、より大規模で豊富なデータセットが必要になります。

この研究では、ラジオミクスシグネチャーと臨床パラメーターを組み合わせて、視覚化されたノモグラムモデルを構築しました。 ノモグラム モデルは、子宮内膜病変が非侵襲的に分類される客観的確率を予測する上で非常に大きな臨床応用価値を示したので、婦人科医による個別化された治療戦略の評価と設計に役立ちます。 しかし、このモデルが診療所で子宮内膜病変のある患者に使用できる実際のリスク階層化ツールになる可能性があるため、モデルのアプリケーションと堅牢性をさらに改善するためにさらなる努力が払われる必要があります。

現在の研究中に使用および/または分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

見かけの分散係数

赤池情報量基準

受信機動作特性曲線の下の領域

ボディ・マス・インデックス

信頼区間

コンピュータ断層撮影

決定曲線分析

拡散強調イメージング

子宮内膜癌

視野

脂肪飽和を伴う T2 強調画像

グレーレベル共起行列

グレーレベルランレングスマトリックス

グレーレベルゾーンサイズマトリックス

クラス内相関係数

最小絶対収縮および選択演算子

磁気共鳴画像

最大の関連性 最小の冗長性

受信機動作特性

関心領域

エコータイム

繰り返し時間

T1強調画像

T2強調画像

Bacon, JL 異常子宮出血: 現在の分類と臨床管理。 オブステット。 ギネコル。 クリン。 北午前。 44(2)、179 (2017)。

記事 Google Scholar

Vander Borght、M. & Wyns、C. 生殖能力と不妊症: 定義と疫学。 クリン。 生化学。 62、2–10 (2018)。

記事 Google Scholar

Bafligil, C. et al. 遺伝子多型と子宮内膜がんリスクとの関連性:系統的レビュー。 J.Med. ジュネット。 57(9)、591–600 (2020)。

記事 CAS Google Scholar

Siegel, RL、Miller, KD & Jemal, A. がん統計、2019 年。CA: A Cancer J. Clin。 69(1)、7–34 (2019)。

Google スカラー

Nougaret, S. et al. 子宮内膜がんの MRI 病期分類: 欧州泌尿生殖器放射線学会のガイドラインを更新しました。 ユーロ。 ラジオル。 29(2)、792–805 (2019)。

記事 Google Scholar

Nalaboff, KM、Pellerito, JS & Ben-Levi, E. 子宮内膜の画像化: 疾患と正常な変異。 ラジオグラフィックス 21(6)、1409–1424 (2001)。

記事 CAS Google Scholar

Kierans, AS、Bennett, GL、Haghighi, M. & Rosenkrantz, AB 良性子宮内膜病変と悪性子宮内膜病変を区別する際の従来の拡散強調 MRI 機能の有用性。 ユーロ。 Ｊ．Ｒａｄｉｏｌ． 83(4)、726–732 (2014)。

記事 Google Scholar

Bakir ら。 子宮内膜がん、ポリープ、過形成、生理的肥厚の鑑別診断における拡散強調MRIの役割。 クリン。 イメージング 41、86–94 (2017)。

記事 Google Scholar

Zhang、Y.ら。 子宮内膜病変を分類するための深層学習モデル。 Ｊ．Ｔｒａｎｓｌ． 医学。 19(1)、10 (2021)。

記事 CAS Google Scholar

Gillies, RJ、Kinahan, PE & Hricak, H. ラジオミクス: 画像は単なる写真ではなく、データです。 放射線学 278(2)、563–577 (2016)。

記事 Google Scholar

Rizzo, S. et al. ラジオミクス: 画像解析の事実と課題。 ユーロ。 ラジオル。 経験値 2(1)、36 (2018)。

記事 Google Scholar

リー、Ｓ．ら。 コンピューター断層撮影法による卵巣新生物の悪性腫瘍の自動診断のためのラジオミクス アプローチ。 科学。 議員 11(1)、8730 (2021)。

記事 ADS CAS Google Scholar

スタンツィオーネ、A. et al. MRI による子宮内膜がんの子宮筋層深部浸潤: ラジオミクスを活用した機械学習のパイロット研究。 アカド。 ラジオル。 28(5)、737–744 (2021)。

記事 Google Scholar

ファスマー、KE et al. 子宮内膜がんの予後モデリングのための腫瘍全体の MRI ラジオミクス。 Ｊ．Ｍａｇｎ． レゾン。 イメージング 53(3)、928–937 (2021)。

記事 Google Scholar

チェン、Ｘら。 子宮内膜がんの MR イメージングにおける子宮筋層浸潤深さの決定と自動病変識別のための深層学習: 単一施設での予備研究。 ユーロ。 ラジオル。 30(9)、4985–4994 (2020)。

記事 Google Scholar

上野由紀 他子宮内膜癌: 術前リスク階層化のための MR 画像ベースのテクスチャ モデル - 予備分析。 放射線学 284(3)、748–757 (2017)。

記事 Google Scholar

加藤 哲 & 植村 正史 最小絶対収縮と選択演算子 (Lasso) を使用した周期解析。 出版物。 アストロン。 社会日本 64(6), 122 (2012)

記事 ADS Google Scholar

キャッスル、PE et al. 異型腺細胞の細胞診、年齢、ヒトパピローマウイルス検出と子宮頸がんおよび子宮内膜がんのリスクとの関係。 オブステット。 ギネコル。 115(2 Pt 1)、243–248 (2010)。

記事 Google Scholar

ネーグル、ＣＭら。 子宮内膜がんのさまざまなサブタイプのリスクに対する体重変化と体重サイクルの影響。 ユーロ。 J. Cancer 49(12)、2717–2726 (2013)。

記事 CAS Google Scholar

Crosbie, EJ、Zwahlen, M.、Kitchener, HC、Egger, M. & Renehan, AG 肥満指数、ホルモン補充療法、および子宮内膜がんのリスク: メタ分析。 がんエピデミオール。 バイオマーク。 前へ 19(12)、3119–3130 (2010)。

記事 CAS Google Scholar

Xu、WHら。 月経および生殖因子と子宮内膜がんのリスク: 上海都市部における集団ベースの症例対照研究の結果。 内部。 J. Cancer 108(4)、613–619 (2004)。

記事 CAS Google Scholar

Wijaya, C. 糖尿病と高血圧は子宮内膜がんの危険因子です。 インドネシア人。 J.オブステット。 ギネコル。 https://doi.org/10.32771/inajog.v36i3.314 (2016)。

記事 Google Scholar

van Timmeren, JE、Cester, D.、Tanadini-Lang, S.、Alkadhi, H. & Baessler, B. 医療画像におけるラジオミクス - 「ハウツー」ガイドと批判的考察。 インサイト イメージング 11(1)、91 (2020)。

記事 Google Scholar

ステファノ、A.ら。 PET ラジオミクス機能の堅牢性: MRI との同時登録の影響。 応用科学。 11(21)、10170 (2021)。

記事 CAS Google Scholar

Shu、Z.ら。 同時肝転移を伴う原発性直腸がんを検出するための MRI ベースのラジオミクス ノモグラム。 科学。 議員9(1)、3374(2019)。

記事 ADS Google Scholar

Kocak, B. et al. 先端巨大症におけるソマトスタチン類似体に対する反応の予測: T2 強調 MRI における機械学習ベースの高次元定量的テクスチャ分析。 ユーロ。 ラジオル。 29(6)、2731–2739 (2019)。

記事 Google Scholar

リムキン、EJ et al. 腫瘍の形状の複雑さ、棘状性は、腫瘍の放射線学的形状の特徴と相関しています。 科学。 議員9(1)、4329(2019)。

記事 ADS Google Scholar

Sozzi、G. et al. 腫瘍サイズ、低リスク子宮内膜がんにおける局所再発のさらなる危険因子：大規模な多施設共同後ろ向き研究。 内部。 Ｊ．Ｇｙｎｅｃｏｌ． Cancer 28(4)、684–691 (2018)。

記事 Google Scholar

Dhruv, B.、Mittal, N.、Modi, M. 3D 医療画像に対するハラリックおよび GLCM テクスチャ分析の研究。 内部。 J. Neurosci. 129(4)、350–362 (2019)。

記事 Google Scholar

Chu, H. et al. 髄膜腫のグレードの予測における強化された T1WI 画像に基づく MRI ラジオミクスの値。 アカド。 ラジオル。 28(5)、687–693 (2021)。

記事 Google Scholar

ヤン、BC et al. MRI ベースのラジオミクスを備えた放射線科医が子宮内膜がんの骨盤リンパ節転移の予測に役立てる：多施設共同研究。 ユーロ。 ラジオル。 31(1)、411–422 (2021)。

記事 CAS Google Scholar

Veeraraghavan、H. et al. 子宮内膜がんにおける造影コンピューター断層撮影によるマイクロサテライトの不安定性と高い腫瘍変異量の機械学習ベースの予測。 科学。 議員 10(1)、17769 (2020)。

記事 ADS CAS Google Scholar

Ji、GW et al. CT での胆道がん: リンパ節転移と生存転帰を予測するためのラジオミクスに基づくモデル。 放射線学 290(1)、90–98 (2019)。

記事 Google Scholar

リファレンスをダウンロードする

この研究は、江西省科学技術局の資金提供（助成金番号20202BABL206112）および江西省保健委員会の資金提供（助成金番号20203036および202110004）の支援を受けました。

Jiaqi Liu と Shiyun Li の著者も同様に貢献しました。

江西省人民病院放射線科、南昌医科大学第一附属病院、152 Aiguo Road、南昌、330006、中国

Jiaqi Liu、Bing Fan、Juhong Yu

中国南昌、南昌医科大学第一附属病院、江西省人民病院婦人科

Shiyun Li & Puying Luo

GE ヘルスケア、杭州、中国

林華山 & パン・ペイエイ

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

コンセプトとデザイン: BF、JHY、JQL。 患者と臨床データの収集: SYL と PYL。 画像データ収集: JQL および SYL。 ROI の説明: JQL と BF。 データ分析: PPP および JQL。 原稿執筆：JQL、HSL、BF、JHY、PPP。 原稿の最終承認: すべての著者。

Bing Fan または Juhong Yu への対応。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Liu, J.、Li, S.、Lin, H. 他子宮内膜病変を分類するための MRI ベースのラジオミクス予測モデルの開発。 Sci Rep 13、1590 (2023)。 https://doi.org/10.1038/s41598-023-28819-2

引用をダウンロード

受信日: 2022 年 4 月 9 日

受理日: 2023 年 1 月 25 日

公開日: 2023 年 1 月 28 日

DOI: https://doi.org/10.1038/s41598-023-28819-2

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。