Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics and Machine Learning

要約

定位放射線治療 (SRT) は、脳転移 (BM) 患者にとって最も重要な治療法の 1 つです。
従来、以下の SRT 患者はシリアル イメージングによって監視され、重大な腫瘍増殖の場合にはサルベージ治療を受けます。
我々は、ラジオミクスと機械学習 (ML) を使用して、その後の進行のリスクが高い転移を、腫瘍の著しい増殖が始まる前のフォローアップ中に特定できると仮定し、個別のフォローアップ間隔と救助治療の早期選択を可能にしました。
すべての実験は、大学病院エアランゲン (UKER) の放射線腫瘍科の臨床ルーチンからのデータセットに対して実行されます。
分類は、最大関連性最小冗長性 (MRMR) 手法とサポート ベクター マシン (SVM) によって実現されます。
パイプラインは、内部相互検証で平均曲線下面積 (AUC) スコアが 0.83 の分類につながり、コホートを進行までの時間の中央値が大きく異なる 2 つのサブコホート (低リスク転移 (LRM)
): 17.3 か月、高リスク転移 (HRM): 9.6 か月、p < 0.01)。 分類のパフォーマンスは、異なる時点 (AUC 0.53 -> AUC 0.74) からの医用画像の分析によって特に強化されます。
結果は、SRT後のフォローアップ中のラジオミクスと機械学習に基づくBMのリスク層別化が良好な精度で可能であり、SRT後のフォローアップをパーソナライズおよび改善するためにさらに追求する必要があることを示しています。

要約(オリジナル)

Stereotactic radiotherapy (SRT) is one of the most important treatment for patients with brain metastases (BM). Conventionally, following SRT patients are monitored by serial imaging and receive salvage treatments in case of significant tumor growth. We hypothesized that using radiomics and machine learning (ML), metastases at high risk for subsequent progression could be identified during follow-up prior to the onset of significant tumor growth, enabling personalized follow-up intervals and early selection for salvage treatment. All experiments are performed on a dataset from clinical routine of the Radiation Oncology department of the University Hospital Erlangen (UKER). The classification is realized via the maximum-relevance minimal-redundancy (MRMR) technique and support vector machines (SVM). The pipeline leads to a classification with a mean area under the curve (AUC) score of 0.83 in internal cross-validation and allows a division of the cohort into two subcohorts that differ significantly in their median time to progression (low-risk metastasis (LRM): 17.3 months, high-risk metastasis (HRM): 9.6 months, p < 0.01). The classification performance is especially enhanced by the analysis of medical images from different points in time (AUC 0.53 -> AUC 0.74). The results indicate that risk stratification of BM based on radiomics and machine learning during post-SRT follow-up is possible with good accuracy and should be further pursued to personalize and improve post-SRT follow-up.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google