ラジオミクス
放射線医療画像から特徴を抽出する方法

医療の分野では、ラジオミクスは、データ特性評価アルゴリズムを用いて医用画像から多数の特徴を抽出する手法である。 [1] [2] [3] [4] [5]これらの特徴はラジオミクス特徴と呼ばれ、肉眼では確認できない腫瘍のパターンや特徴を明らかにする可能性がある。[6]ラジオミクスの仮説は、疾患形態間の際立った画像特徴が、様々な癌の種類の予後や治療反応の予測に役立ち、個別化治療のための貴重な情報を提供するというものである。[1] [7] [8]ラジオミクスは、放射線学と腫瘍学の医療分野から生まれ[3] [9] [10]、これらの分野における応用で最も進んでいる。ただし、この技術は、病理学的プロセスを画像化できるあらゆる医療研究に適用できる。

プロセス

画像取得

画像データはCT、[11] MRI、[12] PET/CT、さらにはPET/MR [13]などの放射線診断装置によって提供されます。生成された生データボリュームは、抽出ツールを通じてさまざまなピクセル/ボクセル特性を見つけるために使用されます。[2]

抽出された特徴は、クリニックがアクセスできる大規模なデータベースに保存され、増大するデータから全員が恩恵を受けられる広範な共同作業と累積的な作業が可能になり、理想的にはより正確なワークフローが可能になります。

画像セグメンテーション

画像がデータベースに保存された後、画像は腫瘍などの重要な部分に縮小され、「関心領域」と呼ばれる領域に分割される必要がある。[2]

処理すべき画像データが膨大なため、大量のデータを含むラジオミクスデータベースを作成する場合、すべての画像に対して手動でセグメンテーションを行うのは作業量が膨大になります。手動セグメンテーションの代わりに、自動化されたプロセスを使用する必要があります。考えられる解決策は、自動セグメンテーションアルゴリズムと半自動セグメンテーションアルゴリズムの2つです。大規模に適用する前に、アルゴリズムは以下の4つのタスクで可能な限り高いスコアを達成する必要があります。

  • まず、再現可能であること、つまり同じデータに使用しても結果が変わらないことが必要です。
  • もう一つの重要な要素は一貫性です。アルゴリズムは、重要でないことをするのではなく、目の前の問題を解決し、タスクを遂行します。この場合、アルゴリズムはあらゆる異なるスキャンにおいて病変部を検出できる必要があります。
  • アルゴリズムも正確である必要があります。アルゴリズムが病変部位を可能な限り正確に検出することが非常に重要です。正確なデータがあって初めて、正確な結果が得られます。
  • 些細ではあるものの、それでも重要な点は時間効率です。結果は可能な限り速く生成され、ラジオミクス全体のプロセスも加速される必要があります。この場合の些細な点とは、特定のフレーム内にある場合、他の点ほど重要ではないことを意味します。

特徴抽出と適格性評価

セグメンテーション後、多くの特徴を抽出し、縦断的画像（デルタラジオミクス）からの相対的な純変化を計算できます。ラジオミクスの特徴は、サイズと形状に基づく特徴、画像強度ヒストグラムの記述子、画像ボクセル間の関係の記述子（例えば、グレーレベル共起行列（GLCM）、ランレングス行列（RLM）、サイズゾーン行列（SZM）、近傍グレートーン差分行列（NGTDM）由来のテクスチャ）、フィルタリングされた画像から抽出されたテクスチャ、フラクタル特徴の5つのグループに分類できます。これらの特徴の数学的定義は画像モダリティに依存せず、文献に記載されています。[14] [15] [16] [17]ラジオミクスのテクスチャ特徴の詳細な説明は、Parekh et al. (2016) [4]および Depeursinge et al. (2017) [18] に記載されています。

特徴量の多様性が非常に高いため、冗長な情報を排除するために特徴量の削減を実施する必要があります。このプロセスを加速するためには、数百もの異なる特徴量を選択アルゴリズムを用いて評価する必要があります。さらに、不安定で再現性のない特徴量は、忠実度の低い特徴量が誤った結果や再現不可能なモデルにつながる可能性が高いため、除去する必要があります。[19] [20]

分析

タスクにとって重要な特徴を選択した後、選択したデータを分析することが極めて重要です。実際の分析に先立ち、臨床データと分子データ（場合によっては遺伝子データも）を統合する必要があります。これは、分析から得られる情報に大きな影響を与えるからです。最終的なデータの分析には様々な方法があります。まず、様々な特徴を互いに比較し、共通の情報があるかどうか、そしてそれらが同時に発生した場合の意味を明らかにします。

もう一つの方法は、教師あり分析と教師なし分析です。教師あり分析では、結果変数を用いて予測モデルを作成します。教師なし分析では、得られた情報を要約し、グラフで表すことができます。そのため、結果の結論が明確に示されます。

データベース

創造

統合ラジオミクスデータベースの構築には、いくつかのステップが必要です。画像データは診療所からエクスポートする必要があります。患者情報は非常に機密性が高く、HIPAAなどのプライバシー法の規制対象となるため、これはすでに非常に困難なステップです。同時に、エクスポートされたデータは圧縮時に整合性が損なわれないようにする必要があります。そうすることで、データベースには同一品質のデータのみが組み込まれるようになります。臨床データと分子データの統合も重要であり、大規模な画像保存場所が必要になります。

使用

ラジオミクスの目標は、このデータベースを新規患者にも活用できるようにすることです。そのためには、データベースに入力された新規データを処理し、患者の病状の経過に関する情報を含む結果を返すアルゴリズムが必要です。例えば、腫瘍の成長速度、患者が一定期間生存する確率、遠隔転移の可能性とその場所などです。これらの情報に基づき、手術、化学療法、放射線療法、分子標的薬など、今後の治療方法や、生存率または病状の改善を最大化する最適な治療法が選択されます。アルゴリズムは、画像と特徴間の相関関係を認識し、データベースの資料から入力データへの外挿を可能にする必要があります。

アプリケーション

臨床結果の予測

Aerts ら (2014) [21]は、1000 名を超える患者からなる 3 つの肺がんコホートと 2 つの頭頸部がんコホートを含む初の大規模放射線画像研究を実施した。彼らは、治療前に取得したコンピューター断層撮影(CT) 画像から抽出した 400 種類を超えるテクスチャ、形状、強度に基づく特徴の予後価値を評価した。腫瘍体積は、熟練した放射線腫瘍医により、または半自動セグメンテーション方法を使用して定義された。[22] [23]彼らの結果では、患者の生存を予測し、腫瘍内の異質性を説明するのに役立つ可能性のある放射線画像特徴のサブセットが特定された。彼らはまた、これらの放射線画像特徴の予後予測能力が肺がんから頭頸部がんに転用できる可能性があることも確認した。しかし、Parmar ら (2015) [24] は、一部の放射線画像特徴の予後価値はがんの種類に依存する可能性があることを実証した。特に、肺がん患者の生存を有意に予測するすべての放射線医学的特徴が頭頸部がん患者の生存も予測できるわけではなく、その逆もまた同様であることが観察されました。

Nasiefら（2019）[20]は、縦断的画像における放射線学的特徴の経時的変化（デルタ放射線学的特徴、DRF）が、膵臓がんの治療反応を予測するバイオマーカーとして使用できる可能性があることを示した。彼らの結果によると、ベイズ正則化ニューラルネットワークを使用して、AUC = 0.94で治療開始2～4週間後に反応良好群と反応不良群の間で有意な変化を示したDRFのサブセットを特定できることが示された。彼らはまた、DRFが生存の独立した予測因子であり、臨床バイオマーカーCA19-9と組み合わせることで治療反応の予測を改善し、反応に基づく治療適応の可能性を高めることができることも示した（Nasiefら、2020）。[25]

いくつかの研究では、ラジオミクスの特徴は、腫瘍の体積や直径、陽電子放出断層撮影（PET）画像における最大放射性トレーサー取り込みなどの従来の指標よりも治療反応を予測するのに優れていることも示されています。[26] [27] [28] [29] [ 30] [31] [32]この技術を使用して、腫瘍内のリンパ球密度に基づく初期トレーニングの後に、免疫療法に対する腫瘍の反応の可能性を予測するアルゴリズムが開発され、免疫腫瘍学の新しい分野における個別化治療の強力なツールとしてラジオミクスの臨床的可能性が実証されています。[33]他の研究でも、治療前のCT [34]およびPET / CT画像を使用して、 NSCLC患者の免疫療法への反応を予測するためのラジオミクスの有用性が実証されています。 [35]

ラジオミクスは一部の用途において従来の技術に劣っており、ラジオミクスの特徴を様々な臨床シナリオに合わせて継続的に改良し、調整する必要があることを示唆しています。例えば、Ludwigら (2020) [36]は、 3次元回転血管造影から頭蓋内動脈瘤破裂の状態を判別する際に、形態学的ラジオミクスの特徴が従来確立された特徴よりも劣っていることを実証しました。

予測

放射線医学的研究では、画像ベースのマーカーは病期分類やバイオマーカーとは直交する情報を提供し、予後を改善する可能性があることが示されている。[21] [37] [38]

遠隔転移の予測リスク

腫瘍の転移の可能性も放射線学的特徴によって予測できる可能性がある。[39] [40]例えば、2015年にCorollerらが行った研究では、CTに基づく35の放射線学的特徴が肺癌の遠隔転移を予測するものとして特定された。 [39]そこで彼らは、放射線学的特徴は遠隔転移を発症するリスクが高い患者を特定し、医師が個々の患者に効果的な治療を選択するのに役立ち得ると結論付けた。

がん遺伝学の評価

肺腫瘍の生物学的メカニズムは、独特で複雑な画像パターンを示すことがある。[41] [42] [1]特に、Aerts et al. (2014) [1]は、ラジオミック特性が細胞周期の段階、DNA組換え、免疫系プロセスの調節などの生物学的遺伝子セットと関連していることを示した。さらに、1p/19q欠失、MGMTメチル化、TP53、EGFR、NF1などの神経膠芽腫（GBM）のさまざまな変異は、腫瘍体積、壊死体積、造影増強体積などの磁気共鳴画像（MRI）容積測定によって有意に予測できることが示されている。 [43] [44] [45]さらに、再発性神経膠腫における腫瘍変異負荷も、独特のラジオミックシグネチャーと関連していた[46]

画像誘導放射線治療

ラジオミクスは非侵襲的であるという利点があり、そのため、侵襲的な腫瘍生検よりも、特定の患者に対して前向きに繰り返し検査を実施することができます。ラジオミクスは、放射線治療の経過中に腫瘍の動態変化をモニタリングし、線量増加が有効なリスクのあるサブボリュームを特定する手段となる可能性が示唆されています。[47] [48]

真の進行と放射線壊死の区別

脳転移に対する定位放射線手術（SRS）後の治療効果または放射線壊死は、真の進行と区別がつかないことが多い一般的な現象です。ラジオミクスは、病理学的転帰を示した66人の患者における82の治療病変において有意差を示しました。ラジオミクスの上位ランクの特徴を最適化されたIsoSVM分類器に入力した結果、感度と特異度はそれぞれ65.38%と86.67%となり、leave-one out交差検証における曲線下面積は0.81でした。神経放射線科医によって分類できた症例はわずか73%で、感度は97%、特異度は19%でした。これらの結果は、ラジオミクスがSRSで治療された脳転移における治療効果と真の進行を区別する上で有望であることを示しています。[49]

生理学的イベントの予測

ラジオミクスは、脳活動などの複雑な生理学的事象を特定するためにも使用できます。脳活動は通常、機能的MRI（fMRI）などの画像技術を用いて研究されます。fMRIの生画像はラジオミクス解析にかけられ、後に意味のある脳活動と相関関係を示す画像特徴が生成されます。[50]

イメージングゲノミクス

イメージングゲノミクスにおいて、ラジオゲノミクスは、生検を用いることなく疾患、特に癌のゲノミクスを特定できるイメージングバイオマーカーを作成するために用いられます。MRI 、CT、PETの画像特徴と疾患のゲノミクスとの間の統計的に有意な相関関係を見つけるために、SAM、VAMPIRE、GSEAなど、高次元データを処理する様々な技術が用いられています。

イメージング放射ゲノムアプローチは、予後が悪い非常に攻撃的なタイプの脳腫瘍である神経膠芽腫のMRI表現型関連遺伝学の決定に成功していることが証明されています[51]。GBMにおける最初の大規模なMRイメージングマイクロRNA-mRNA相関研究は、2011年にZinnらによって発表されました[52]。肝臓がん における同様の研究では、非侵襲的な画像特徴から肝臓がんゲノムの大部分を決定することに成功しています。[53]スタンフォード大学のGevaertらは、公開されている遺伝子発現データを活用することで、CTスキャンの非小細胞肺結節の画像特徴を関連付けて生存を予測する可能性を示しました。[54]この発表には、イメージングとゲノミクスの相乗効果を議論した論説が付随していました。 [ 55 ]さらに最近では、Mu Zhouらが、肝臓がんにおけるマイクロRNA-mRNA相関研究の最近の成果を発表しました。スタンフォード大学の研究者らは、意味的画像特徴と標準的な分子経路を表すメタ遺伝子との間に複数の関連性があることを示し、非小細胞肺癌の分子特性を非侵襲的に同定できる可能性があるとしている。[56]

前立腺がんにおいて、現在までに複数の放射性ゲノム研究が行われてきた。[57] [58] [59] MRI信号と相関する遺伝的特徴は、より悪性度の高い前立腺がんにもしばしば関連すると指摘されている。[60] MRIでより顕著に現れる病変に見られる遺伝的特徴に関する系統的レビューでは、腫瘍抑制因子PTENの消失、細胞増殖に関連する遺伝子発現の増加、および細胞-ECM相互作用を発見した複数の研究が特定された。[61]これは、特定の遺伝的特徴が細胞変化を引き起こし、それが最終的にMRIで観察できる体液の動きに影響を与え、これらの特徴が主に予後不良と関連していることを示唆している可能性がある。[61] mpMRIで観察される前立腺腫瘍患者のより危険な遺伝子変異、組織学的所見、および臨床転帰の組み合わせから、「臨床的に重要ながん」の定義は、少なくとも部分的にはmpMRIの所見に基づくべきであるという提案がなされている。[62]

ラジオゲノミクスアプローチは乳がんにも応用され、成功を収めています。2014年、Mazurowskiら[63]は、コンピュータービジョンアルゴリズムを用いて計算されたMRIの増強ダイナミクスが、乳がん患者の遺伝子発現に基づく腫瘍分子サブタイプと関連していることを示しました。

放射線学とゲノミクスの関係を研究するプログラムは、ペンシルバニア大学、カリフォルニア大学ロサンゼルス校、MDアンダーソンがんセンター、スタンフォード大学、および テキサス州ヒューストンの ベイラー医科大学で実施されています。

マルチパラメトリックラジオミクス

マルチパラメトリック放射線画像は、様々な疾患の検出、特性評価、診断に不可欠です。しかしながら、現在のラジオミクスの手法は、これらのテクスチャ特徴の抽出に単一の画像しか使用できないため、様々な臨床現場におけるラジオミクスの適用範囲が制限される可能性があります。したがって、現状では、高次元のマルチパラメトリック画像空間において、真の根底にある組織特性を捉えることができません。

最近、高次元データセットからラジオミック特徴を抽出するためのMPRADと呼ばれるマルチパラメトリックイメージングラジオミックフレームワークが開発されました。[64] マルチパラメトリックラジオミックは、乳がんと脳血管障害（一般的に脳卒中と呼ばれる）という2つの異なる臓器と疾患でテストされました。

乳癌

乳がんにおいて、MPRADフレームワークは、乳がん病変の悪性度と良性度をそれぞれ87%と80.5%という優れた感度と特異度で分類し、AUCは0.88でした。MPRADは、単一のラジオミクスパラメータと比較してAUCを9%～28%増加させました。さらに重要なことに、乳がんにおいて、正常腺組織のMPRADは各群間で有意差なくほぼ同等でした。[64]

脳卒中

同様に、脳卒中のMPRAD特徴は、単一パラメータラジオミクスと比較して灌流拡散不一致の区別において性能が向上しており、白質組織と灰白質組織内に差異は見られなかった。[64]単一ラジオミクス二次特徴（GLCM）の大部分は、ADCマップ上の梗塞組織と危険組織との間に有意なテクスチャ差を示さなかった。一方、同じ二次マルチパラメトリックラジオミクス特徴（TSPM）は、DWIデータセットでは有意に異なっていた。同様に、TTPおよびPWIデータセットのマルチパラメトリックラジオミクス値は、MPRADで優れた結果を示した。MPRAD TSPMエントロピーは、梗塞組織と潜在的な危険組織との間に有意差を示した：（6.6±0.5 vs 8.4±0.3、p = 0.01）。

参照

参考文献

  1. ^ abcd ランビン P、リオス ベラスケス E、レイエナール R、カルヴァーリョ S、ファン スティハウト RG、グラントン P、他。 (2012 年 3 月)。 「ラジオミクス: 高度な特徴分析を使用して医療画像からより多くの情報を抽出」。ヨーロッパ癌ジャーナル。48 (4): 441–6 .土井:10.1016/j.ejca.2011.11.036。PMC  4533986。PMID  22257792。
  2. ^ abc Kumar V, Gu Y, Basu S, Berglund A, Eschrich SA, Schabath MB, et al. (2012年11月). 「ラジオミクス：そのプロセスと課題」. Magnetic Resonance Imaging . 30 (9): 1234–48 . doi :10.1016/j.mri.2012.06.010. PMC 3563280. PMID 22898692  . 
  3. ^ ab Gillies RJ, Kinahan PE, Hricak H (2016年2月). 「ラジオミクス：画像は単なる写真ではなく、データである」. Radiology . 278 (2): 563– 77. doi :10.1148/radiol.2015151169. PMC 4734157. PMID 26579733  . 
  4. ^ ab Parekh V, Jacobs MA (2016). 「ラジオミクス：確立された技術からの新たな応用」.精密医療と医薬品開発に関する専門家レビュー. 1 (2): 207– 226. doi :10.1080/23808993.2016.1164013. PMC 5193485. PMID 28042608  . 
  5. ^ Yip SS, Aerts HJ (2016年7月). 「ラジオミクスの応用と限界」. Physics in Medicine and Biology . 61 (13): R150-66. Bibcode :2016PMB....61R.150Y. doi :10.1088/0031-9155/61/13/R150. PMC 4927328. PMID 27269645  . 
  6. ^ Yip SS, Liu Y, Parmar C, Li Q, Liu S, Qu F, 他 (2017年6月). 「非小細胞肺癌における放射線科医定義のセマンティック特徴と自動計算による放射線画像特徴の関連性」. Scientific Reports . 7 (1): 3519. Bibcode :2017NatSR...7.3519Y. doi :10.1038/s41598-017-02425-5. PMC 5471260. PMID 28615677  . 
  7. ^ Chicklore S, Goh V, Siddique M, Roy A, Marsden PK, Cook GJ (2013年1月). 「テクスチャ解析による18F-FDG PET/CT画像における腫瘍の不均一性の定量化」. European Journal of Nuclear Medicine and Molecular Imaging . 40 (1): 133–40 . doi :10.1007/s00259-012-2247-0. PMID  23064544. S2CID  24695383.
  8. ^ Cook GJ, Siddique M, Taylor BP, Yip C, Chicklore S, Goh V (2014). 「PETにおけるラジオミクス：原理と応用」.臨床およびトランスレーショナルイメージング. 2 (3): 269– 276. doi : 10.1007/s40336-014-0064-0 .
  9. ^ Parekh VS, Jacobs MA (2017-11-14). 「高度な機械学習とマルチパラメトリックMRIを用いた乳がんおよび腫瘍生物学のための統合ラジオミクスフレームワーク」. npj Breast Cancer . 3 (1): 43. doi :10.1038/s41523-017-0045-3. PMC 5686135. PMID 29152563  . 
  10. ^ Parekh VS, Jacobs MA (2019-03-04). 「精密医療におけるディープラーニングとラジオミクス」.精密医療と医薬品開発に関する専門家レビュー. 4 (2): 59– 72. doi :10.1080/23808993.2019.1585805. PMC 6508888. PMID  31080889 . 
  11. ^ Kumar, Virendra; Gu, Yuhua; Basu, Satrajit; Berglund, Anders; Eschrich, Steven A.; Schabath, Matthew B.; Forster, Kenneth; Aerts, Hugo JWL; Dekker, Andre; Fenstermacher, David; Goldgof, Dmitry B. (2012年11月). 「ラジオミクス：そのプロセスと課題」. Magnetic Resonance Imaging . 30 (9): 1234– 1248. doi :10.1016/j.mri.2012.06.010. PMC 3563280. PMID 22898692  . 
  12. ^ Schick, Ulrike; Lucia, François; Dissaux, Gurvan; Visvikis, Dimitris; Badic, Bogdan; Masson, Ingrid; Pradier, Olivier; Bourbonne, Vincent; Hatt, Mathieu (2019年12月). 「MRI由来のラジオミクス：骨盤腫瘍学分野における方法論と臨床応用」. The British Journal of Radiology . 92 (1104) 20190105. doi :10.1259/bjr.20190105. ISSN  0007-1285. PMC 6913356. PMID 31538516  . 
  13. ^ Amorim, Barbara Juarez; Torrado-Carvajal, Angel; Esfahani, Shadi A; Marcos, Sara S; Vangel, Mark; Stein, Dan; Groshar, David; Catalano, Onofrio A (2020年10月). 「直腸がんにおけるPET/MRIラジオミクス：PETおよびMRI由来の画像特徴と臨床的解釈の相関に関するパイロットスタディ」 . Molecular Imaging and Biology . 22 (5): 1438– 1445. doi :10.1007/s11307-020-01484-x. ISSN  1536-1632. PMID  32270337. S2CID  215411812.
  14. ^ Galloway, Mary M (1975). 「グレーレベルランレングスを用いたテクスチャ解析」.コンピュータグラフィックスと画像処理. 4 (2): 172– 179. doi :10.1016/S0146-664X(75)80008-6.
  15. ^ Pentland AP (1984年6月). 「フラクタルに基づく自然風景の記述」. IEEE Transactions on Pattern Analysis and Machine Intelligence . 6 (6): 661–74 . doi :10.1109/TPAMI.1984.4767591. PMID  22499648. S2CID  17415943.
  16. ^ Amadasun M, King R (1989). 「テクスチャ特性に対応するテクスチャ特徴」. IEEE Transactions on Systems, Man, and Cyber​​netics . 19 (5): 1264– 1274. doi :10.1109/21.44046.
  17. ^ Thibault G, Angulo J, Meyer F (2014年3月). 「テクスチャ特性評価のための高度な統計行列：細胞分類への応用」. IEEE Transactions on Bio-Medical Engineering . 61 (3): 630–7 . doi :10.1109/TBME.2013.2284600. PMID  24108747. S2CID  11319154.
  18. ^ Ranjbar S, Mitchell JR (2017). 「ラジオミクス入門：精密医療の進化する礎」.バイオメディカルテクスチャー分析. pp.  223– 245. doi :10.1016/B978-0-12-812133-7.00008-9. ISBN 978-0-12-812133-7。
  19. ^ Tunali, Ilke; Hall, Lawrence O.; Napel, Sandy; Cherezov, Dmitry; Guvenis, Albert; Gillies, Robert J.; Schabath, Matthew B. (2019年9月23日). 「肺癌病変の腫瘍周囲領域から抽出したCT画像における放射線学的特徴の安定性と再現性」. Medical Physics . 46 (11): 5075– 5085. Bibcode :2019MedPh..46.5075T. doi :10.1002/mp.13808. PMC 6842054. PMID  31494946 . 
  20. ^ ab Nasief, Haidy; Zheng, Cheng; Schott, Diane; Hall, William; Tsai, Susan; Erickson, Beth; Allen Li, X. (2019年10月4日). 「膵臓がんの治療反応の早期予測のための機械学習ベースのデルタラジオミクスプロセス」. npj Precision Oncology . 3 (1): 25. doi :10.1038/s41698-019-0096-z. PMC 6778189. PMID 31602401  . 
  21. ^ ab Aerts HJ、Velazquez ER、Leijenaar RT、Parmar C、Grossmann P、Carvalho S、Bussink J、Monshouwer R、Haibe-Kains B、Rietveld D、他。 (2014 年 6 月)。 「定量的ラジオミクスアプローチを用いた非侵襲的イメージングによる腫瘍表現型の解読」。ナットコミューン。5 : 4006。ビブコード:2014NatCo...5.4006A。土井：10.1038/ncomms5006。PMC 4059926。PMID  24892406。 
  22. ^ Gu Y, Kumar V, Hall LO, Goldgof DB, Li CY, Korn R, 他 (2013年3月). 「シングルクリック・アンサンブル・セグメンテーション・アプローチを用いたCT画像からの肺腫瘍の自動描写」.パターン認識. 46 (3): 692– 702. Bibcode :2013PatRe..46..692G. doi :10.1016/j.patcog.2012.10.005. PMC 3580869. PMID  23459617 . 
  23. ^ Velazquez ER, Parmar C, Jermoumi M, Mak RH, van Baardwijk A, Fennessy FM, et al. (2013年12月). 「3D-Slicerを用いた非小細胞肺癌のボリュームCTセグメンテーション」. Scientific Reports . 3 : 3529. Bibcode :2013NatSR...3E3529V. doi :10.1038/srep03529. PMC 3866632. PMID  24346241 . 
  24. ^ Parmar C, Leijenaar RT, Grossmann P, Rios Velazquez E, Bussink J, Rietveld D, et al. (2015年6月). 「肺がんおよび頭頸部がんに特異的なラジオミクス特性クラスターと予後シグネチャー」. Scientific Reports . 5 11044. Bibcode :2015NatSR...511044P. doi :10.1038/srep11044. PMC 4937496. PMID 26251068  . 
  25. ^ Nasief, Haidy; Hall, William; Zheng, Cheng; Tsai, Susan; Wang, Liang; Erickson, Beth; Li, X. Allen (2020年1月8日). 「Delta-Radiomicsと臨床バイオマーカーCA19-9の併用による膵臓癌の化学放射線療法における治療反応予測の改善」. Frontiers in Oncology . 9 : 1464. doi : 10.3389/fonc.2019.01464 . PMC 6960122. PMID  31970088 . 
  26. ^ Tixier F, Le Rest CC, Hatt M, Albarghach N, Pradier O, Metges JP, et al. (2011年3月). 「ベースライン18F-FDG PET画像におけるテクスチャー特徴によって特徴付けられる腫瘍内不均一性は、食道癌における同時放射線化学療法への反応を予測する」Journal of Nuclear Medicine . 52 (3): 369– 78. doi :10.2967/jnumed.110.082404. PMC 3789272. PMID  21321270 . 
  27. ^ Hatt M, Majdoub M, Vallières M, Tixier F, Le Rest CC, Groheux D, et al. (2015年1月). 「テクスチャ解析による18F-FDG PET集積特性：多発癌患者コホートにおける異質性と機能的腫瘍容積の相補性に関する研究」. Journal of Nuclear Medicine . 56 (1): 38– 44. doi : 10.2967/jnumed.114.144055 . PMID  25500829.
  28. ^ van Rossum PS, Fried DV, Zhang L, Hofstetter WL, van Vulpen M, Meijer GJ, 他 (2016年5月). 「食道がんにおける術前化学放射線療法に対する病理学的完全奏効の予測における18F-FDG PETの主観的および定量的評価の増分価値」. Journal of Nuclear Medicine . 57 (5): 691– 700. doi : 10.2967/jnumed.115.163766 . PMID  26795288.
  29. ^ Yip SS, Coroller TP, Sanford NN, Mamon H, Aerts HJ, Berbeco RI (2016). 「食道がん患者における陽電子放出断層撮影（PET）画像に基づくテクスチャー特徴の経時的変化と病理学的反応および生存率の関係」. Frontiers in Oncology . 6 : 72. doi : 10.3389/fonc.2016.00072 . PMC 4810033. PMID  27066454 . 
  30. ^ Zhang H, Tan S, Chen W, Kligerman S, Kim G, D'Souza WD, et al. (2014年1月). 「時空間18F-FDG PETの特徴、臨床パラメータ、および人口統計を用いた化学放射線療法に対する食道癌の病理学的反応のモデル化」. International Journal of Radiation Oncology, Biology, Physics . 88 (1): 195– 203. doi :10.1016/j.ijrobp.2013.09.037. PMC 3875172. PMID 24189128  . 
  31. ^ Cheng NM, Fang YH, Lee LY, Chang JT, Tsan DL, Ng SH, 他 (2015年3月). 「18F-FDG PETにおける局所的テクスチャー特性のゾーンサイズ不均一性は、口腔咽頭がん患者の生存率を予測する」. European Journal of Nuclear Medicine and Molecular Imaging . 42 (3): 419–28 . doi :10.1007/s00259-014-2933-1. PMID  25339524. S2CID  6167165.
  32. ^ Cook GJ, Yip C, Siddique M, Goh V, Chicklore S, Roy A, 他 (2013年1月). 「非小細胞肺がんにおける治療前18F-FDG PET腫瘍組織学的特徴は、化学放射線療法後の奏効率および生存率と関連しているか？」Journal of Nuclear Medicine . 54 (1): 19– 26. doi : 10.2967/jnumed.112.107375 . PMID  23204495.
  33. ^ Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, Han SR, et al. (2018年9月). 「腫瘍浸潤CD8細胞と抗PD-1または抗PD-L1免疫療法への反応を評価するためのラジオミクスアプローチ：イメージングバイオマーカー、レトロスペクティブマルチコホート研究」The Lancet. Oncology . 19 (9): 1180– 1191. doi :10.1016/S1470-2045(18)30413-3. PMID  30120041. S2CID  52032552.
  34. ^ Tunali I, Gray JE, Qi J, Abdallah M, Jeong DK, Guvenis A, Gillies RJ, Gillies RJ (2019年1月). 「免疫療法を受けた肺がん患者における急速な疾患進行表現型の新たな臨床的および放射線学的予測因子：早期報告」.肺がん. 129 : 75–79 . doi :10.1016/j.lungcan.2019.01.010. PMC 6450086. PMID 30797495  . 
  35. ^ Mu W, Tunali I, Gray JE, Qi J, Gillies RJ, Gillies RJ (2019年12月). 「18F-FDG PET/CT画像のラジオミクスは、進行NSCLC患者におけるチェックポイント阻害免疫療法の臨床的ベネフィットを予測する」. Eur J Nucl Med Mol Imaging . 47 (5): 1168– 1182. doi :10.1007 / s00259-019-04625-9. PMC 8663718. PMID  31807885. S2CID  208650067. 
  36. ^ Ludwig, CG; Lauric, A; Malek, JA; Mulligan, R; Malek, AM (2020). 「ラジオミクスによる形態学的特徴を用いた動脈瘤破裂状態の予測性能」Journal of NeuroInterventional Surgery . 13 (8). doi :10.1136/neurintsurg-2020-016808. PMID  33158993. S2CID  226274492.
  37. ^ Tunali I, Stringfield O, Guvenis A, Wang H, Liu Y, et al. (2017年8月). 「術前CTスキャンにおける放射状勾配および放射状偏向の放射線学的特徴は、肺腺癌患者の生存率と関連している」. Oncotarget . 8 (56): 96013– 96026. doi :10.18632/oncotarget.21629. PMC 5707077. PMID 29221183  . 
  38. ^ Huang P, Park S, Yan R, Lee J, Chu LC, Lin CT, Hussien A, Rathmell J, Thomas B, Chen C, 他 (2018年9月). 「小型肺結節を伴う早期肺癌診断におけるコンピュータ支援CT画像特徴の付加価値：症例対照研究」. Radiology . 286 (1): 286– 295. doi :10.1148/radiol.2017162725. PMC 5779085. PMID 28872442  . 
  39. ^ ab Coroller TP, Grossmann P, Hou Y, Rios Velazquez E, Leijenaar RT, Hermann G, et al. (2015年3月). 「CTベースの放射線学的特徴は肺腺癌の遠隔転移を予測する」. Radiotherapy and Oncology . 114 (3): 345–50 . doi :10.1016/j.radonc.2015.02.015. PMC 4400248. PMID  25746350 . 
  40. ^ Vallières M, Freeman CR, Skamene SR, El Naqa I (2015年7月). 「四肢軟部肉腫における肺転移予測のためのFDG-PETとMRIのテクスチャ特徴を用いたラジオミクスモデル」. Physics in Medicine and Biology . 60 (14): 5471–96 . Bibcode :2015PMB....60.5471V. doi :10.1088/0031-9155/60/14/5471. PMID:  26119045. S2CID  : 4709680.
  41. ^ Rios Velazquez E, Parmar C, Liu Y, Coroller TP, Cruz G, Stringfield O, et al. (2017年7月). 「体細胞変異が肺がんにおける明確な画像表現型を引き起こす」. Cancer Research . 77 (14): 3922– 3930. doi :10.1158/0008-5472.CAN-17-0122. PMC 5528160. PMID  28566328 . 
  42. ^ Yip SS, Kim J, Coroller TP, Parmar C, Velazquez ER, Huynh E, 他 (2017年4月). 「非小細胞肺がんにおける体細胞変異と代謝イメージング表現型の関連性」. Journal of Nuclear Medicine . 58 (4): 569– 576. doi :10.2967/jnumed.116.181826. PMC 5373502. PMID  27688480 . 
  43. ^ Brown R, Zlatescu M, Sijben A, Roldan G, Easaw J, Forsyth P, et al. (2008年4月). 「磁気共鳴画像法を用いたオリゴデンドログリオーマにおける非侵襲的遺伝子シグネチャー検出」. Clinical Cancer Research . 14 (8): 2357–62 . doi : 10.1158/1078-0432.CCR-07-1964 . PMID  18413825.
  44. ^ Drabycz S, Roldán G, de Robles P, Adler D, McIntyre JB, Magliocco AM, et al. (2010年1月). 「磁気共鳴画像法を用いた神経膠芽腫における画像テクスチャ、腫瘍部位、およびMGMTプロモーターメチル化の解析」NeuroImage . 49 (2): 1398–405 . doi :10.1016/j.neuroimage.2009.09.049. PMID  19796694. S2CID  18857965.
  45. ^ Gutman DA, Dunn WD, Grossmann P, Cooper LA, Holder CA, Ligon KL, et al. (2015年12月). 「MRIで得られたグリオーブラストーマの容積特徴に関連する体細胞変異」. Neuroradiology . 57 (12): 1227–37 . doi :10.1007/s00234-015-1576-7. PMC 4648958. PMID  26337765 . 
  46. ^ Hassan, Islam, et al. 「NIMG-28. 神経膠腫における変異負荷（高頻度変異）の増加は、磁気共鳴画像法における特有の放射線学的テクスチャーシグネチャーと関連する。」 Neuro-oncology 19.Suppl 6 (2017): vi147.
  47. ^ Sun R, Orlhac F, Robert C, Reuzé S, Schernberg A, Buvat I, et al. (2016年8月). 「Mattonen et alに関して」. International Journal of Radiation Oncology, Biology, Physics . 95 (5): 1544– 1545. doi :10.1016/j.ijrobp.2016.03.038. PMID  27479727.
  48. ^ Yip SS, Coroller TP, Sanford NN, Huynh E, Mamon H, Aerts HJ, Berbeco RI (2016年1月). 「食道癌の病理学的反応予測のためのテクスチャ解析におけるレジストレーションベースの輪郭伝播の利用」. Physics in Medicine and Biology . 61 (2): 906–22 . Bibcode :2016PMB....61..906Y. doi :10.1088/0031-9155/61/2/906. PMID  26738433. S2CID  21799373.
  49. ^ Peng L, Parekh V, Huang P, Lin DD, Sheikh K, Baker B, 他 (2018年11月). 「機械学習とラジオミクスを用いた脳転移に対する定位放射線療法後の真の進行と放射線壊死の識別」. International Journal of Radiation Oncology, Biology, Physics . 102 (4): 1236– 1243. doi :10.1016/j.ijrobp.2018.05.041. PMC 6746307. PMID 30353872  . 
  50. ^ Hassan I, Kotrotsou A, Bakhtiari AS, Thomas GA, Weinberg JS, Kumar AJ, 他 (2016年5月). 「ラジオミックテクスチャー解析マッピングによる真の機能的MRI活動領域の予測」. Scientific Reports . 6 25295. Bibcode :2016NatSR...625295H. doi :10.1038/srep25295. PMC 4858648. PMID  27151623 . 
  51. ^ Diehn, Maximilian; Nardini, Christine; Wang, David S.; McGovern, Susan; Jayaraman, Mahesh; Liang, Yu; Aldape, Kenneth; Cha, Soonmee; Kuo, Michael D. (2008). 「脳腫瘍遺伝子発現モジュールの非侵襲的画像サロゲートの同定」. Proceedings of the National Academy of Sciences . 105 (13): 5213–8 . doi : 10.1073/pnas.0801279105 . PMC 2278224. PMID  18362333 . 
  52. ^ ジン、パスカル O.マハジャン、バヌ。サティアン、プラシーシュ。シン、サンジェイ K.マジュムデル、サダン。ジョレス、フェレンツ A.コレン、リブカ R. (2011)。ドイチュ、エリック（編）。 「多形神経膠芽腫における浮腫/細胞浸潤 MRI 表現型のラジオゲノム マッピング」。プロスワン。6 (10) e25451。Bibcode :2011PLoSO...625451Z。土井：10.1371/journal.pone.0025451。PMC 3187774。PMID  21998659。 
  53. ^ Rutman, Aaron M.; Kuo, Michael D. (2009). 「ラジオゲノミクス：分子診断と診断画像との連携の創出」. European Journal of Radiology . 70 (2): 232–41 . doi :10.1016/j.ejrad.2009.01.050. PMID  19303233.
  54. ^ Gevaert, O.; Xu, J.; Hoang, CD; Leung, AN; Xu, Y.; Quon, A.; Rubin, DL; Napel, S.; Plevritis, SK (2012). 「非小細胞肺癌：公開遺伝子発現マイクロアレイデータを活用し、予後予測画像バイオマーカーを特定する - 方法と​​予備的結果」. Radiology . 264 (2): 387–96 . doi :10.1148/radiol.12111607. PMC 3401348. PMID 22723499  . 
  55. ^ Jaffe, C. (2012). 「画像診断とゲノミクス：相乗効果はあるか？」放射線学. 264 (2): 329–31 . doi : 10.1148/radiol.12120871 . PMID  22821693.
  56. ^ Zhou, M.; Leung, A.; Echegaray, S.; Gentles, A.; Shrager, J.; Plevritis, S.; Rubin, DL; Napel, S.; Gevaert, O. (2017). 「非小細胞肺癌のラジオゲノミクスマップは、分子および画像表現型と予後予測との関連性を明らかにする」. Radiology . 286 (1): 307–15 . doi :10.1148/radiol.2017161845. PMC 5749594. PMID 28727543  . 
  57. ^ Houlahan, Kathleen E.; Salmasi, Amirali; Sadun, Taylor Y.; Pooli, Aydin; Felker, Ely R.; Livingstone, Julie; Huang, Vincent; Raman, Steven S.; Ahuja, Preeti; Sisk, Anthony E.; Boutros, Paul C. (2019年7月). 「前立腺がんにおけるマルチパラメトリック磁気共鳴画像（MRI）の可視性に関する分子生物学的特徴」. European Urology . 76 (1): 18– 23. doi :10.1016/j.eururo.2018.12.036. ISSN  1873-7560. PMC 10228592. PMID 30685078.  S2CID 59304426  . 
  58. ^ Li, Ping; You, Sungyong; Nguyen, Christopher; Wang, Yanping; Kim, Jayoung; Sirohi, Deepika; Ziembiec, Asha; Luthringer, Daniel; Lin, Shih-Chieh; Daskivich, Timothy; Wu, Jonathan (2018). 「前立腺癌の進行に関与する遺伝子がMRIの可視性を決定する」Theranostics . 8 (7): 1752– 1765. doi :10.7150/thno.23180. ISSN  1838-7640. PMC 5858498. PMID 29556354  . 
  59. ^ Purysko, Andrei S.; Magi-Galluzzi, Cristina; Mian, Omar Y.; Sittenfeld, Sarah; Davicioni, Elai; du Plessis, Marguerite; Buerki, Christine; Bullen, Jennifer; Li, Lin; Madabhushi, Anant; Stephenson, Andrew (2019年9月). 「MRI表現型と前立腺癌のゲノム分類器との相関：予備的知見」. European Radiology . 29 (9): 4861– 4870. doi :10.1007/s00330-019-06114-x. ISSN  1432-1084. PMC 6684343. PMID 30847589  . 
  60. ^ Norris, Joseph M.; Simpson, Benjamin S.; Parry, Marina A.; Kasivisvanathan, Veeru; Allen, Clare; Ball, Rhys; Freeman, Alex; Kelly, Daniel; Kirkham, Alex; Whitaker, Hayley C.; Emberton, Mark (2020年3月). 「マルチパラメトリック磁気共鳴画像法における前立腺癌の可視性（および不可視性）の遺伝学的相関：今こそ総括すべき時だ」. BJU International . 125 (3): 340– 342. doi : 10.1111/bju.14919 . ISSN  1464-410X. PMID  31600865.
  61. ^ ab Norris, Joseph M.; Simpson, Benjamin S.; Parry, Marina A.; Allen, Clare; Ball, Rhys; Freeman, Alex; Kelly, Daniel; Kim, Hyung L.; Kirkham, Alex; You, Sungyong; Kasivisvanathan, Veeru (2020-07-01). 「マルチパラメトリック磁気共鳴画像法における前立腺癌の顕著性の遺伝学的ランドスケープ：系統的レビューとバイオインフォマティクス解析」. European Urology Open Science . 20 : 37– 47. doi : 10.1016/j.euros.2020.06.006 . ISSN  2666-1683. PMC 7497895. PMID 33000006  . 
  62. ^ Norris, Joseph M.; Simpson, Benjamin S.; Freeman, Alex; Kirkham, Alex; Whitaker, Hayley C.; Emberton, Mark (2020). 「マルチパラメータ磁気共鳴画像法における前立腺癌の顕著性：学際的トランスレーショナル仮説」. The FASEB Journal . 34 (11): 14150– 14159. doi : 10.1096/fj.202001466R . ISSN  1530-6860. PMC 8436756. PMID  32920937 . 
  63. ^ Mazurowski, MA; Zhang, J.; Grimm, LJ; Yoon, SC; Silber, JI (2014). 「乳がんの放射線ゲノム解析：ルミナルB分子サブタイプはMR画像における増強ダイナミクスと関連する」. Radiology . 273 (2): 365–72 . doi : 10.1148/radiol.14132641 . PMID  25028781.
  64. ^ abc Parekh VS, Jacobs MA (2018-09-25). 「MPRAD：マルチパラメトリックラジオミクスフレームワーク」.乳がん研究・治療. 180 (2): 407– 421. arXiv : 1809.09973 . Bibcode :2018arXiv180909973P. doi :10.1007/s10549-020-05533-5. PMC 7066290. PMID 32020435  . 
Retrieved from "https://en.wikipedia.org/w/index.php?title=Radiomics&oldid=1314868872"