放射線性骨壊死の検出に関する新しい洞察
研究が放射線解析を使ったORNJの早期発見の可能性を明らかにした。
― 1 分で読む
顎の放射線壊死(ORNJ)は、頭頸部癌の放射線治療(RT)を受けた後に起こる深刻な状態だよ。この病気は生存者の生活を難しくすることがあって、特に喉に影響を与える口咽頭癌の患者にとっては辛い。喫煙率は減ってきてるけど、ヒトパピローマウイルス(HPV)に関連したケースの増加で、口咽頭癌が増えてるんだ。局所進行した口咽頭癌の患者は、主な治療として放射線を受けることが予想されていて、長生きする可能性が高いんだけど、それでもRTの長期的な問題、つまりORNJのリスクは高いんだ。
早期診断の重要性
ORNJを早期に発見し治療することはとても大事で、特にリスクが高い患者にとっては重要だよ。これらの患者は、腫瘍が顎の骨に近すぎてRT中に厳しいガイドラインに従えないかもしれない。今のところ、医者たちはORNJのリスクを下げるために簡単な予防策を使っていて、放射線治療の前に損傷した歯を抜いたり、治療後に放射線が当たった場所での抜歯を避けたりしてる。顎のORNJリスクのある部分を特定する新しい戦略が必要だね。
ラジオミクスの役割
ラジオミクスは、医療画像を分析して重要な情報を取り出す技術だよ。画像をデータに変換することで、特定の顎の部分の質感、形、サイズなどの特徴を説明するのに役立つ。これらの特徴は肉眼では見えない詳細を明らかにすることができて、治療結果、例えば生存率や合併症の予測において重要なんだ。
この研究では、ラジオミクスの特徴分析が標準的な造影CT(CECT)スキャンで使えるかどうかを見たいんだ。目標は、頭頸部癌の放射線治療を受けた患者のORNJと正常な顎骨を区別すること。これは、従来の方法で診断される前にORNJを示す顎の変化を見つけるための必要なステップなんだ。
研究デザインと患者選択
倫理委員会の承認を得て、2008年から2018年までの大きな癌センターで治療を受けた患者を対象に遡及的な研究を行ったよ。多くのケースを確認して、関連があることを確かめたんだ。スキャンに明らかなORNJの兆候があった患者、例えば死んだ骨の部分や骨面の浸食、軟部組織の問題がある患者が研究に含まれた。
特定の条件の患者を除外した結果、最終的に150人の患者が残った。この研究の主な目的は、画像に基づいてORNJの診断を確認することだったよ。
画像取得とセグメンテーション
すべてのCTスキャンは特定のスキャナーで撮影された。画像は顎骨の詳細なビューを示すように作られた。画像取得プロセスは質を確保するために厳しいガイドラインに従った。ORNJの影響を受けた顎の部分は、専門のトレーニングを受けたプロが特別なソフトウェアを使って健康な組織を含めないように注意深くoutlineされた。健康な部分のコントロールエリアも作成したよ。
ラジオミクス特徴の抽出
特定のツールを使って、定義したエリアからラジオミクスの特徴を抽出した。ORNJと健康な組織の違いを理解するのに役立つさまざまな特性に焦点を当てたんだ。合計で1,316の特徴を抽出し、形、質感、強度などに注目した。
データ分析のために、データをトレーニングセットとテストセットに分けた。このアプローチはモデルを構築し、その性能をテストするのに役立ったよ。結果に影響を与えるバイアスをなくすために、データの標準化も行った。
モデルの構築と評価
トレーニングデータを使って、ORNJと健康な組織を分類するモデルを開発した。データを分析するために特定の統計モデルを使って、モデルの性能に最も寄与する特徴を慎重に選択した。67の重要な特徴のセットを見つけて、2つの状態を区別するのに役立った。
モデルはテストで良い成果を出した。多くのケースでORNJを正確に識別し、高い精度を達成した。健康な組織を予測する際も信頼性があったよ。
モデルの判断を理解する
モデルがどのように予測を行ったかを理解するために、重要とされた特徴を詳しく分析した。この分析を通じて、ORNJと健康な組織を区別するのに重要な特徴がどれかをみることができた。いくつかの特徴は、高い値がORNJに関連しており、低い値が健康な組織に関連していることを示した。
この詳細な分析から、モデルが画像で見ていることのより明確なイメージを得ることができて、画像の特徴とORNJの存在の関係を理解することができたよ。
臨床的影響
癌治療におけるラジオミクスの利用は増えてきていて、治療結果を予測したり、合併症を早期に発見する新しい方法を提供している。この研究では、ラジオミクスアプローチがORNJを特定するのに役立つことを示したよ。CT画像の質感分析に焦点を当てることで、臨床的に明らかになる前にORNJをキャッチできる可能性があるんだ。
私たちの研究の結果は期待できるもので、CECTスキャンを使用してORNJを正確に特定できることを示している。私たちが開発したモデルは、放射線治療後にORNJが発展するリスクのある患者にとって、医者たちが最良の行動を選ぶのに重要なツールになり得るよ。
制限事項と今後の課題
研究には強い発見があったけど、いくつかの制限もある。モデルは既にORNJと診断された患者に基づいて開発されているから、状態の初期段階での効果にはもっと注目する必要があるよ。ORNJの影響をまだ受けていない組織を見るときにモデルがどう機能するかには違いがあるかもしれない。
また、複数の医師がORNJの診断を確認したのにもかかわらず、ケースの評価やグレーディングにはまだばらつきがある。将来の研究では、モデルの精度を向上させるために、特に初期段階のケースをもっと広範囲に含めるべきだよ。
次のステップは、新しい患者に対してモデルをテストして、目に見える症状が現れる前にリスクのあるエリアを特定できるかを見ることになる。成功した検証がなされれば、リスクのある人に対しても治療の選択肢を探ることができて、患者の結果や生活の質を改善できる可能性があるね。
最後に、この研究は、放射線治療を受ける患者におけるORNJの早期発見にラジオミクスを利用する可能性を強調しているよ。画像とデータ分析の進歩を活かして、放射線壊死のような副作用に直面する癌生存者のケアと結果を改善するために努力していこう。
タイトル: Computed tomography radiomics-based cross-sectional detection of mandibular osteoradionecrosis in head and neck cancer survivors
概要: PurposeThis study aims to identify radiomic features extracted from contrast-enhanced CT scans that differentiate osteoradionecrosis (ORN) from normal mandibular bone in patients with head and neck cancer (HNC) treated with radiotherapy (RT). Materials and MethodsContrast-enhanced CT (CECT) images were collected for 150 patients (80% train, 20% test) with confirmed ORN diagnosis at The University of Texas MD Anderson Cancer Center between 2008 and 2018. Using PyRadiomics, radiomic features were extracted from manually segmented ORN regions and the corresponding automated control regions, the later defined as the contralateral healthy mandible region. A subset of pre-selected features was obtained based on correlation analysis (r > 0.95) and used to train a Random Forest (RF) classifier with Recursive Feature Elimination. Model explainability SHapley Additive exPlanations (SHAP) analysis was performed on the 20 most important features identified by the trained RF classifier. ResultsFrom a total of 1316 radiomic features extracted, 810 features were excluded due to high collinearity. From a set of 506 pre-selected radiomic features, the optimal subset resulting on the best discriminative accuracy of the RF classifier consisted of 67 features. The RF classifier was well calibrated (Log Loss 0.296, ECE 0.125) and achieved an accuracy of 88% and a ROC AUC of 0.96. The SHAP analysis revealed that higher values of Wavelet-LLH First-order Mean and Median were associated with ORN of the jaw (ORNJ). Conversely, higher Exponential GLDM Dependence Entropy and lower Square First-order Kurtosis were more characteristic of normal mandibular tissue. ConclusionThis study successfully developed a CECT-based radiomics model for differentiating ORNJ from healthy mandibular tissue in HNC patients after RT. Future work will focus on the detection of subclinical ORNJ regions to guide earlier interventions.
著者: Abdallah SR Mohamed PhD, MD Anderson Head and Neck Cancer Symptom Working Group, S. Kamel, L. Humbert-Vidan, Z. Kaffey, A. Abusaif, D. T. A. Fuentes, K. A. Wahid, C. Dede, M. A. Naser, R. He, A. W. Moawad, K. M. Elsayes, M. M. Chen, A. O. Otun, J. Rigert, M. Chambers, A. Hope, E. Watson, K. K. Brock, K. A. Hutcheson, L. V. van Dijk, A. C. Moreno, S. Y. Lai, C. D. Fuller, A. S. Mohamed
最終更新: Sep 12, 2024
言語: English
ソースURL: https://www.medrxiv.org/content/10.1101/2024.09.11.24313485
ソースPDF: https://www.medrxiv.org/content/10.1101/2024.09.11.24313485.full.pdf
ライセンス: https://creativecommons.org/licenses/by/4.0/
変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。
オープンアクセスの相互運用性を利用させていただいた medrxiv に感謝します。