著名医師による解説が無料で読めます
すると翻訳の精度が向上します
背景：フッ素-18フルオロデオキシグルコース（18F-FDG） - ポジトロン放出断層撮影（PET）/コンピューター断層撮影（CT）は、補綴弁心臓病炎（PVE）診断に対してより良い感度をもたらしますが、視覚的な画像分析は比較的弱い特異性と有意な観察者間変動性をもたらします。 目的：この研究の主な目的は、18F-FDG PET/CT（PET-ML）のラジオミクスと機械学習ベースの分析のパフォーマンスを評価することでした。PVE診断における主要なイメージング基準（ESC-ML）。二次的な目的は、PET-MLのパフォーマンスをスタンドアロン試験として評価することでした。 方法：2015年から2021年までの単一センターで大動脈PVEの疑いで実行された18F-FDG-PET/CTスキャンはすべて、遡及的に含まれていました。ゴールドスタンダードは、少なくとも3か月のフォローアップの後、専門家のコンセンサスでした。機械学習（ML）メソッドは、各補綴バルブを手動でセグメント化し、セグメント化された領域から31の放射性機能を抽出し、PVEを予測するためにリッジロジスティック回帰をトレーニングすることで構成されていました。トレーニングとハイパーパラメーターのチューニングは、相互検証アプローチで行われ、その後に独立したテストデータベースで評価が行われました。 結果：心筋の取り込みに関係なく、合計108人の患者が含まれ、トレーニング（n = 68）およびテスト（n = 40）コホートに分けられました。後者を考慮すると、PET-MLの所見は、22の明確なPVE症例のうち13症例、18のうち3つの拒否されたPVE症例（59％の感度、83％の特異性）で陽性であったため、ESC-ML感度は72％、特異性は83になります。％。 結論：特にMLがESC 2015基準に含まれていた場合、PVE診断における18F-FDG-PET/CT画像を分析するためのMLの使用は実現可能かつ有益でした。いくつかの制限と将来の開発の必要性にもかかわらず、このアプローチは、PVE診断における18F-FDG PET/CTの役割を最適化することを約束しているようです。
背景：フッ素-18フルオロデオキシグルコース（18F-FDG） - ポジトロン放出断層撮影（PET）/コンピューター断層撮影（CT）は、補綴弁心臓病炎（PVE）診断に対してより良い感度をもたらしますが、視覚的な画像分析は比較的弱い特異性と有意な観察者間変動性をもたらします。 目的：この研究の主な目的は、18F-FDG PET/CT（PET-ML）のラジオミクスと機械学習ベースの分析のパフォーマンスを評価することでした。PVE診断における主要なイメージング基準（ESC-ML）。二次的な目的は、PET-MLのパフォーマンスをスタンドアロン試験として評価することでした。 方法：2015年から2021年までの単一センターで大動脈PVEの疑いで実行された18F-FDG-PET/CTスキャンはすべて、遡及的に含まれていました。ゴールドスタンダードは、少なくとも3か月のフォローアップの後、専門家のコンセンサスでした。機械学習（ML）メソッドは、各補綴バルブを手動でセグメント化し、セグメント化された領域から31の放射性機能を抽出し、PVEを予測するためにリッジロジスティック回帰をトレーニングすることで構成されていました。トレーニングとハイパーパラメーターのチューニングは、相互検証アプローチで行われ、その後に独立したテストデータベースで評価が行われました。 結果：心筋の取り込みに関係なく、合計108人の患者が含まれ、トレーニング（n = 68）およびテスト（n = 40）コホートに分けられました。後者を考慮すると、PET-MLの所見は、22の明確なPVE症例のうち13症例、18のうち3つの拒否されたPVE症例（59％の感度、83％の特異性）で陽性であったため、ESC-ML感度は72％、特異性は83になります。％。 結論：特にMLがESC 2015基準に含まれていた場合、PVE診断における18F-FDG-PET/CT画像を分析するためのMLの使用は実現可能かつ有益でした。いくつかの制限と将来の開発の必要性にもかかわらず、このアプローチは、PVE診断における18F-FDG PET/CTの役割を最適化することを約束しているようです。
BACKGROUND: Fluorine-18 fluorodeoxyglucose (18F-FDG)-positron emission tomography (PET)/computed tomography (CT) results in better sensitivity for prosthetic valve endocarditis (PVE) diagnosis, but visual image analysis results in relatively weak specificity and significant interobserver variability. OBJECTIVES: The primary objective of this study was to evaluate the performance of a radiomics and machine learning-based analysis of 18F-FDG PET/CT (PET-ML) as a major criterion for the European Society of Cardiology score using machine learning as a major imaging criterion (ESC-ML) in PVE diagnosis. The secondary objective was to assess performance of PET-ML as a standalone examination. METHODS: All 18F-FDG-PET/CT scans performed for suspected aortic PVE at a single center from 2015 to 2021 were retrospectively included. The gold standard was expert consensus after at least 3 months' follow-up. The machine learning (ML) method consisted of manually segmenting each prosthetic valve, extracting 31 radiomics features from the segmented region, and training a ridge logistic regressor to predict PVE. Training and hyperparameter tuning were done with a cross-validation approach, followed by an evaluation on an independent test database. RESULTS: A total of 108 patients were included, regardless of myocardial uptake, and were divided into training (n = 68) and test (n = 40) cohorts. Considering the latter, PET-ML findings were positive for 13 of 22 definite PVE cases and 3 of 18 rejected PVE cases (59% sensitivity, 83% specificity), thus leading to an ESC-ML sensitivity of 72% and a specificity of 83%. CONCLUSIONS: The use of ML for analyzing 18F-FDG-PET/CT images in PVE diagnosis was feasible and beneficial, particularly when ML was included in the ESC 2015 criteria. Despite some limitations and the need for future developments, this approach seems promising to optimize the role of 18F-FDG PET/CT in PVE diagnosis.
医師のための臨床サポートサービス
ヒポクラ x マイナビのご紹介
無料会員登録していただくと、さらに便利で効率的な検索が可能になります。