인공지능

Jul 26, 2023

군사 의학 연구 10권, 기사 번호: 22(2023) 이 기사 인용

2095 액세스

1 인용

3 알트메트릭

측정항목 세부정보

현대 의학은 환자의 해부학적 구조를 비침습적으로 관찰하기 위해 다양한 의료 영상 기술에 의존하고 있습니다. 그러나 의료 이미지의 해석은 매우 주관적일 수 있으며 임상의의 전문 지식에 따라 달라질 수 있습니다. 더욱이, 의료 영상에서 잠재적으로 유용한 일부 정량적 정보, 특히 육안으로 볼 수 없는 정보는 임상 실습 중에 종종 무시됩니다. 반면, Radiomics는 의료 이미지에서 높은 처리량의 특징 추출을 수행하므로 의료 이미지의 정량적 분석과 다양한 임상 종료점 예측이 가능합니다. 연구에 따르면 방사성학은 진단, 치료 반응 및 예후 예측에서 유망한 성능을 보여 개인 맞춤 의학을 위한 비침습적 보조 도구가 될 수 있는 잠재력을 입증하고 있습니다. 그러나 특히 기능 엔지니어링 및 통계 모델링 분야에서 수많은 기술적 과제가 아직 해결되지 않았기 때문에 방사성학은 아직 개발 단계에 있습니다. 이 리뷰에서는 암 환자의 진단, 예후 및 치료 반응 예측에 방사선학을 적용하는 연구를 요약하여 방사선학의 현재 유용성을 소개합니다. 우리는 기능 엔지니어링 중 기능 추출 및 선택, 통계 모델링 중 불균형 데이터 세트 및 다중 양식 융합을 위한 기계 학습 접근 방식에 중점을 둡니다. 또한 특징의 안정성, 재현성 및 해석 가능성과 모델의 일반화 가능성 및 해석 가능성을 소개합니다. 마지막으로, 우리는 방사성학 연구의 현재 과제에 대한 가능한 솔루션을 제공합니다.

암은 전 세계적으로 많은 사람들에게 영향을 미치는 치명적인 질병입니다[1]. 암성 종양은 내부 조직 및 기관의 복잡한 네트워크 내에 위치할 수 있는 신생물 세포의 작은 클러스터로 시작하므로 초기 단계에서 이러한 암(예: 비인두암종)을 진단하기가 어렵습니다[2]. 또한, 동일한 유형 및 병기의 암은 환자마다 현저히 다르게 행동할 수 있으므로 종양 성장을 모니터링하고 임상의가 항암 치료를 처방하는 데 도움을 주며 개별 환자의 치료 반응을 평가할 수 있는 방법이 중요합니다. 삼].

이에 컴퓨터단층촬영(CT), 자기공명영상(MRI), 양전자방출단층촬영(PET), 초음파촬영(US) 등 의료영상은 암의 존재 여부를 감지하고 성장을 모니터링하며, 암의 진행 정도를 평가하는 데 필수적이다. 치료 반응. 다양한 영상 방식은 내부 장기의 다양한 특성을 포착합니다. 예를 들어, CT는 동맥 석회화와 같은 장기의 해부학적 변화를 감지합니다[4]. MRI는 연조직 대비와 근골격계를 시각화합니다[5]. PET는 조직이나 기관의 기능적, 대사적 변화를 포착합니다[6]. 조영제는 정상 조직과 비정상 조직(예: 종양)의 이미지에서 신호 강도 간의 대비를 시각화하기 위해 종종 사용됩니다. 그럼에도 불구하고 이미지의 육안 검사를 기반으로 한 임상 판단은 자원 집약적일 수 있고 의사의 경험에 따라 달라지며 종양의 3차원(3D) 볼륨 내에서 모든 정보를 감지하지 못할 수 있습니다.

Radiomics는 최근 다중 모드 의료 영상에서 고차원 정량적 특징을 높은 처리량으로 추출하고 분석하여 종양 내 이질성을 비침습적으로 포착할 수 있기 때문에 이러한 문제에 대한 유망한 솔루션으로 부상했습니다. . Radiomics 기반 연구는 영상 획득, 영상 전처리, 영상 분할, 특징 추출, 특징 선택, 모델 구성 및 평가의 6단계로 구성됩니다[9]. 핵심 단계는 특징 엔지니어링(즉, 특징 추출 및 특징 선택) 및 통계 모델링(즉, 모델 구성 및 평가)과 관련된 단계이며 현재 대부분의 연구자 노력의 초점입니다. 더욱이 최근 몇 년간 특징 엔지니어링 및 통계 모델링 분야에서 좋은 진전이 있었습니다. 예를 들어, 방사성 특성은 이제 종양 진단 및 예후와 상관 관계가 있는 것으로 알려져 있으므로 연구자들은 최소 중복 최대 관련성(mRMR) 방법, 최소 절대 수축 및 선택 연산자(LASSO) 및 기타 기술을 사용하여 예측 방사성 특성을 선택했습니다. . 그들은 또한 방사성 기반 모델을 구축하기 위해 SVM(지원 벡터 머신) 및 RF(랜덤 포레스트)와 같은 분류자를 사용했습니다. 예를 들어 암 진단, 예후 및 치료 반응 예측에 도움을 주기 위해 수많은 연구에서 방사선학 기반 모델을 구축했습니다. 이러한 모델은 환자를 위한 위험 계층화 및 맞춤형 치료를 개발할 수 있는 가능성을 보여 주었으며, 이는 정밀 의학의 실현으로 이어질 수 있습니다. 그러나 이러한 방사선학의 발전에도 불구하고 해결해야 할 몇 가지 주요 문제가 남아 있습니다.

0.75 (or some other pre-determined thresholds of correlation coefficient). Thus, in studies (e.g., [72]) that have used the Pearson correlation method to assess the correlation between tumor volume and radiomics feature values, highly volume-correlated features that meet a Pearson’s correlation threshold have been removed. Another filtering method is mRMR method [73], which aims to identify the best subset of features, maximize the relevance between subset and target variables, and minimize the redundancy between features based on mutual information. Hu et al. [74] used the mRMR method for dimensionality reduction in a radiomics study of nasopharyngeal carcinoma. Other filtering methods that have been used are Relief [75], Student’s t-test [76], and Chi-square test [77]. In addition, Parmar et al. [78] examined 14 filtering methods and found that features selected using the Wilcoxon test showed high stability (stability = 0.84 ± 0.05) in their training cohort. Wrapper methods employ model performance as a criterion to judge the quality of features or a feature subset; that is, they gradually retain or remove several features and finally select the feature subset that enables a given model to achieve optimal performance. For instance, recursive feature elimination (RFE) is widely used in radiomics: it generates a subset of features, iteratively constructs a model from the current feature subset, obtains the degree of importance of each feature, removes unimportant features, and retains the features with the best performance [79]. Yu et al. [80] adopted RFE for feature selection in their multiphasic CT-based radiomics analysis to differentiate benign and malignant parotid tumors, and used multiple methods for feature dimensionality reduction. In contrast to filtering methods and wrapper methods, embedded methods perform feature selection and model training simultaneously. First, a classifier obtains the weight coefficient of each feature after training, and then these coefficients are evaluated by a specific model to select the best feature, i.e., the feature is directly selected by the model. LASSO [81] is a commonly used embedded method that applies regularization to remove redundant features and retains the most relevant features. However, LASSO tends to ignore the pairwise correlations of features [82], so it must be combined with other feature redundancy elimination methods to enhance model reliability. In most radiomics studies, feature selection has been conducted via multiple steps using a combination of methods focused on different feature characteristics. For example, in a study of nasopharyngeal carcinoma [83], intraclass correlation coefficients (ICC) were first used to evaluate inter- and intra-observer agreement, and features with high reproducibility were selected. Then, the Wilcoxon rank sum test was used to select the radiomics features that statistically differed between regions of lymphatic infiltration and regions of non-lymphatic infiltration. Finally, LASSO was used to select the most relevant and independent features from a training set./p>

이전의: CYP4F12는 잠재적인 바이오마커이며 EMT 경로를 통해 두경부 편평 세포 암종의 세포 이동을 억제합니다. 다음: 자궁외 신장의 자궁내막증: 드문 증례 보고 및 문헌 고찰

문의 보내기

보내다