びまん性大細胞型B細胞リンパ腫における転帰予測のためのスタッキングアンサンブル学習に基づく[(18)F]FDG PETラジオミクス。

原題
Stacking Ensemble Learning-Based [(18)F]FDG PET Radiomics for Outcome Prediction in Diffuse Large B-Cell Lymphoma.
背景:
この研究は、[F]FDG PETラジオミックスとスタッキングアンサンブル学習に基づく解析的アプローチを用いて、びまん性大細胞型B細胞リンパ腫(DLBCL)の転帰予測を改善することを目的とした。この研究には、2つの医療施設からの240人のDLBCL患者が含まれていた。
方法:
ラジオミクスの特徴は、4つの半自動分割法を用いて治療前の[F]FDG PETスキャンから抽出した。ComBat法を用いて特徴を調和させた。最も信頼性の高い特徴は、LASSOアルゴリズムを用いて選択された。4つの機械学習分類器を用いて、ラジオミクスのみおよび臨床-ラジオミクス複合モデルを構築した。
結果:
SUV4.0セグメント化は最も高い観察者間信頼性を示し、830のラジオミクス特徴が選択された。スタッキングベースの複合モデルは最良の識別性能を達成し、無増悪生存期間および全生存期間の予測の曲線下面積はそれぞれ0.771および0.725であった。
結論:
[F]FDG PETラジオミクスとスタッキングアンサンブル学習による臨床的特徴を組み込んだ複合モデルは、DLBCLのリスク層別化を改善することができる。
Journal: J Nucl Med
DOI: 10.2967/jnumed.122.265244
PMID: 37500261