日本語AIでPubMedを検索
臨床評価カテゴリーと放射線学的特徴を用いたマルチパラメトリックMRIを用いた末梢部の臨床的に重要な前立腺癌を予測するための機械学習アルゴリズムの比較
Comparison of machine learning algorithms to predict clinically significant prostate cancer of the peripheral zone with multiparametric MRI using clinical assessment categories and radiomic features.
PMID: 32676784 DOI: 10.1007/s00330-020-07064-5.
抄録
目的:
臨床的に重要な前立腺癌（PCa）と重要でない前立腺癌（PCa）を区別するために、様々な機械学習アルゴリズムを使用して、放射線学的評価カテゴリと見かけの拡散係数（ADC）マップの定量的計算解析の性能を分析すること。
OBJECTIVES: To analyze the performance of radiological assessment categories and quantitative computational analysis of apparent diffusion coefficient (ADC) maps using variant machine learning algorithms to differentiate clinically significant versus insignificant prostate cancer (PCa).
方法:
73名の患者を対象としたRetrospect的研究が行われた。患者（平均年齢66.3±7.6歳）は、根治的前立腺摘除術（n=33）または標的生検（n=40）の前にマルチパラメトリックMRI（mpMRI）で検査を受けた。指標病変は、MRIのADCとそれに相当する組織学的スライドに、最高グリソングレードグループ（GrG）に従ってアノテーションされた。関心容積（VOI）は、各病変および正常に見える末梢領域について決定した。VOIはラジオミック解析により処理した。病変の臨床的意義（GrG≧3）による分類には、主成分（PC）分析、連続支持ベクトルマシンを用いた一変量解析（UA）、ニューラルネットワーク、ランダムフォレスト分析を行った。
METHODS: Retrospectively, 73 patients were included in the study. The patients (mean age, 66.3 ± 7.6 years) were examined with multiparametric MRI (mpMRI) prior to radical prostatectomy (n = 33) or targeted biopsy (n = 40). The index lesion was annotated in MRI ADC and the equivalent histologic slides according to the highest Gleason Grade Group (GrG). Volumes of interest (VOIs) were determined for each lesion and normal-appearing peripheral zone. VOIs were processed by radiomic analysis. For the classification of lesions according to their clinical significance (GrG ≥ 3), principal component (PC) analysis, univariate analysis (UA) with consecutive support vector machines, neural networks, and random forest analysis were performed.
結果:
PC解析では、前立腺組織は良性と悪性を区別することができた。PC評価では、PCa病変の臨床的重要度による層別化は得られなかったが、UA解析では臨床的評価カテゴリーと放射線学的特徴の違いが明らかになった。我々は15の特徴サブセットからなる3つの分類モデルを訓練した。その結果、臨床評価カテゴリの診断精度を向上させる形状特徴のサブセットを同定した（診断精度の最大増加ΔAUC=+0.05, p<0.001）一方で、全体的な精度を低下させる特徴とモデルの組み合わせを同定した。
RESULTS: PC analysis discriminated between benign and malignant prostate tissue. PC evaluation yielded no stratification of PCa lesions according to their clinical significance, but UA revealed differences in clinical assessment categories and radiomic features. We trained three classification models with fifteen feature subsets. We identified a subset of shape features which improved the diagnostic accuracy of the clinical assessment categories (maximum increase in diagnostic accuracy ΔAUC = + 0.05, p < 0.001) while also identifying combinations of features and models which reduced overall accuracy.
結論:
PCa病変を臨床的意義に応じて鑑別するためのラジオメトリック特徴量の効果については、未だに議論の余地がある。それは特徴量の選択と採用されている機械学習アルゴリズムに依存する。その結果、診断性能が向上したり、低下したりする可能性がある。
CONCLUSIONS: The impact of radiomic features to differentiate PCa lesions according to their clinical significance remains controversial. It depends on feature selection and the employed machine learning algorithms. It can result in improvement or reduction of diagnostic performance.
キーポイント:
- 前立腺癌の末梢部の正常組織と悪性組織では、定量的な画像特徴が異なる。 臨床ルーチンのマルチパラメトリックMRIのラジオメトリック特徴解析は、末梢部の臨床的に重要な前立腺癌病変と重要でない前立腺癌病変の層別化を改善する可能性がある。 標準的なマルチパラメトリックMRIの報告および評価カテゴリーと特徴サブセットおよび機械学習アルゴリズムを組み合わせた場合、標準的な臨床評価カテゴリー単独よりも診断性能が低下することがある。
KEY POINTS: • Quantitative imaging features differ between normal and malignant tissue of the peripheral zone in prostate cancer. • Radiomic feature analysis of clinical routine multiparametric MRI has the potential to improve the stratification of clinically significant versus insignificant prostate cancer lesions in the peripheral zone. • Certain combinations of standard multiparametric MRI reporting and assessment categories with feature subsets and machine learning algorithms reduced the diagnostic performance over standard clinical assessment categories alone.