論文紹介 画像から肝癌と非肝癌に分類する機械学習
Radiomics machine-learning signature for diagnosis of hepatocellular carcinoma in cirrhotic patients with indeterminate liver nodules
肝硬変患者の肝結節を診断するためのラジオミクス機械学習シグネチャー
2020 Jan;30(1):558-570.doi: 10.1007/s00330-019-06347-w.Epub 2019 Aug 23.
概要
目的：肝硬変患者の肝結節の診断において、三相CTスキャンから抽出した定量的画像特徴を用いて、肝細胞癌（HCC）を診断することにより、臨床医の意思決定を強化すること。
材料と方法
欧州肝臓学会（EASL）ガイドラインを用いて生検で不定型に分類された肝結節を有する27施設の肝硬変患者178例をレトロスペクティブに解析した。患者は，発見コホート（142例）と検証コホート（36例）に無作為に割り付けられた．各肝結節を三相CTスキャンの各フェーズでセグメント化し，13,920の定量的画像特徴（1つのフェーズでの表現型または2つのフェーズ間の変化を反映する1160の特徴からなる12セット）を抽出した．機械学習技術を用い、肝結節を肝癌と非肝癌に分類するためのシグネチャを学習、較正（発見コホート）、検証（検証コホート）した結果、肝癌は非肝癌に分類されることがわかった。また、セグメンテーションとコントラスト強調の質による影響も評価した。
結果 患者は男性（88％）、CHILD A（65％）が主であった。生検では77％の症例で肝細胞癌が陽性であった。LI-RADSスコアはHCC患者と非HCC患者で差はなかった。このシグネチャーには、動脈相と門脈相の間の変化を定量化する単一のラジオミクスフィーチャーが含まれていた。DeltaV-A_DWT1_LL_Variance-2D を含み、受信者動作特性曲線下面積（AUC）は発見コホートで 0.70 (95%CI 0.61-0.80) 、検証コホートで 0.66 (95%CI 0.64-0.84) に到達した。このシグネチャはセグメンテーションや造影剤による影響を受けなかった。
結論 多施設共同レトロスペクティブコホートにおいて、単一の特徴を用いたシグネチャーが、肝結節の判定が不確定な肝硬変患者の肝細胞癌の診断に有効であることが確認された。人工知能は，肝細胞癌リスクの高い患者のサブグループを特定することにより，臨床医の判断を強化することができる．
キーポイント - 肝硬変の肝結節を有する肝硬変患者において、現在のガイドラインを用いた専門家の目視評価では、鑑別診断からHCCを正確に区別することはできない。現在の臨床プロトコールでは、手技的なリスクから生検を伴わない。ラジオミクスは、肝結節が不定な肝硬変患者の肝細胞癌を非侵襲的に診断することができ、患者管理の最適化に活用することができる。- 視覚的に判定不能な肝結節の特徴付けに最も貢献するラジオミクスの特徴は、動脈相と門脈相の間の結節の表現型の変化：EASLとEASLガイドラインを用いて視覚的に評価される「ウォッシュアウト」パターンが含まれることである。- ラジオミクスを用いた臨床判断アルゴリズムは、肝生検（EASLガイドライン）または待機戦略（AASLDガイドライン）を必要とする肝硬変患者の割合を減らし、その管理および転帰を改善するために適用される可能性がある。
自分なりの解釈です
間違っていたらコメント等宜しくお願いします
簡略的にまとめてみました
必要に応じて更新します
CT画像データを特徴量にする
↓
各肝結節を三相CTスキャンの各フェーズで
セグメント化(画像から注目している領域を切り取る?)し，
13,920の定量的画像特徴
↓
機械学習予測
↓
（AUC）は 検証で 0.66 (95%CI 0.64-0.84) に到達
↓
単一の特徴を用いたシグネチャーが
肝結節の判定が不確定な肝硬変患者の
肝細胞癌の診断に有効であることが確認
この記事が気に入ったらサポートをしてみませんか？