原題
Deep Semisupervised Transfer Learning for Fully Automated Whole-Body Tumor Quantification and Prognosis of Cancer on PET/CT.
背景:早期癌治療の最適化には、自動検出と特徴づけが必要である。この目的のために、PET/CTスキャン上の自動化された全身腫瘍セグメンテーションと予後のための深層半教師付き転移学習アプローチを開発した。
方法:1019人の癌患者からのPET/CTスキャンの後ろ向き研究を行い、腫ようのセグメント化とラジオミクスの解析に学習アプローチを適用した。成績は真陽性率とダイス類似係数を用いて評価した。リスク層別化、生存推定、反応予測のための予後モデルも開発した。
結果:結果は、真陽性率の中央値が0.75～0.87、ダイス係数が0.73～0.83であることを示した。前立腺がんリスクモデルの精度は0.83、AUCは0.86であった。乳癌の予測モデルは最大0.84の精度を示した。
結論:学習アプローチは、6つの癌タイプに対して正確な腫瘍セグメンテーションと予後を示し、早期癌治療の最適化におけるその可能性を示した。
Journal: J Nucl Med (CiteScore 2022: 12.9)
DOI: 10.2967/jnumed.123.267048
PMID: 38423786
コメント