Research

磁共振成像影像組學標籤預測下咽鱗狀細胞癌患者接受器官保護療法後的局部區域性衰竭

許哲瑜,林士敏,曾雁明,阮昱翔Yu-Hsiang Juan,王駿瑋,王偉仲,和 郭頌鑫
臨床和轉化放射腫瘤學期刊,8月,2020年(已被採納)
放射腫瘤科,腫瘤部門,國立台灣大學醫學院附設醫院,台北,台灣
放射腫瘤部門,國立台灣大學癌症中心,國立台灣大學醫學院,台北,台灣
癌症研究中心,國立台灣大學醫學院,台北,台灣
腫瘤研究所,國立台灣大學醫學院,台北,台灣
放射腫瘤部門,林口長庚記念醫院,台灣
醫學成像和介入治療,桃園長庚紀念醫院,台灣
數學系,國立台灣大學,台北,台灣
中醫學院,長庚大學,桃園,台灣

重點整理:
第一個開發和驗證MRI影像組學標籤(RS)做為純下咽鱗狀細胞癌(HPSCC)患者器官保護療法(OPT)後1年局部區域性衰竭預測的研究

這個基於RS模型(RS的分界點為 0。0326)提供一新穎且方便的途徑來預測接受OPT的HPSCC病患1年無惡化,不需喉切除術的整體存活期。

提議的基於RS模型可幫助醫師做辨識並促進局部晚期HPSCC病人的臨床管理決策制定。

背景和目的:
開發和驗證磁共振成像(MRI)影像組學標籤(RS)做為下咽鱗狀細胞癌(HPSCC)患者器官保護療法(OPT)後1年局部區域性衰竭(LRF)的預測

材料和方法:

從兩個獨立隊列,總數116位受過OPT的HPSCC病患中取得了800件基於MRI的處理前腫瘤特徵。使用最小絕對緊縮與選擇算子回歸模型選擇用於開發RS的特徵。使用致性指數和修正完致性指數來評估RS的識別能力,使用約登指數來選出風險類別的最佳分界點。

結論:

用RS得到的1000次自助法修正完致性指數在實驗隊列(n=82)和驗證隊列(n=34)中分別是0.8036 和 0.78235。對於三/四期和cT4疾病的病患次群體,使用RS也同樣得到了良好的預測表現, 分別得到修正完致性指數0.760和 0.754。二分法風險類別用0.0326的RS值為分界點,在實驗,驗證,三/四期,和cT4a隊列中,分別得出的1年期LRF預測準確率79.27%,79.41%,76.74% 71.15%。在兩個獨立機構,三/四期隊列,和cT4a隊列中,低風險的組別明顯地得到了更好的無惡化,不需喉切除術整體存活結果。

結論:

基於RS的模型提供一新穎和便捷的方法來預測受過OPT的HPSCC病人的1年期LRF和存活結果。

關鍵詞:

下咽鱗狀細胞癌,器官保護療法,影像組學,局部區域性衰竭,存活。

卷積類神經網路用於電腦斷層掃描上的胰腺癌偵測 – 作者的回覆

廖偉智*,Amber L Simpson,王偉仲
柳葉刀數位健康,2(9),e454,9月,2020年

背景
感謝Garima Suman和各位同事對我們文章的評論。分割不是我們研究的重點,我們沒有保留初始的分割,因此無法評估初始和最終分割的差異。我們認同這個資訊是有用的並應該在未來的研究中加以儲存。因為提供了我們外部數據集的研究中心所發表的研究(醫學分割十項全能數據集(MSDD))包含了161位胰臟腺癌患者,所以Suman和同事推斷MSDD只包含了161位胰臟腺癌患者,事實上這161位胰臟腺癌患者是從391位2009到2012年之間接受過切除手術的胰臟腺癌患者中選出。另外在MSDD中還有420名沒有治療資訊也沒有包涵期間數據的患者;其中的281名有腫瘤標籤的患者被使用到我們的研究中。由於資料不完整且數據不ㄧ致,我們無法排除281名患者中有些病患是非胰臟腺癌腫瘤的可能性,雖然這個提議是無法證實的。所以,我們從外部資料集做測試得出的結果有慎重解讀的必要性。

一方面,我們很感激MSDD供給者他們極大的努力和大方,提供了這個唯一一個擁有足夠數據的公開胰臟腫瘤CT資料集。另一方面,我們的經驗凸顯出公共數據庫不足帶來的難題以及驗證和使用外部資料集的困難。因為MSDD是為一個分割的挑戰所準備的,資料集裡面並沒有醫治結果和組織學的相關訊息。我們在使用MSDD時有申請要求更完整的資訊,但是後來提供的附加檔案只有澄清資料集中包含的是胰臟腺癌,神經內分泌腫瘤和胰管內粘液性腫瘤的案例,但是並沒有釐清每一個影像的診斷和診斷方法。值得注意的是,許多胰臟腫瘤跟其他甚至是良性的病徵像是慢性胰臟炎在影像辨析時可能會重疊;因此,本地的資料集只採用經組織學和細胞學證實的胰臟腺癌病例。我們了解這些數據在很多情況下是沒有辦法被公開的因為不同區域和不同機構都有不一樣的患者隱私和健康數據保護法規。

我們同意透明,被細心經營,有詳細臨床資料的公開數據集對未來研究非常的重要。目前的資料傳播依賴於個別研究者間的善意分享。要舒解資料短缺,需要給數據集提供者激勵和驗證過可用來促成資料收集,處理,和去識別化的工具。標準化資料集的準備和分享才能讓外部使用者精準的判讀和使用資料集。

廖偉智和王偉仲聲明在研究期間有獲得台灣科技部的補助並且有一個在申請中的專利 – 使用深度學習在對比強化的CT上做胰腺癌和非癌性胰臟的區別。Amber L Simpson聲明沒有利益衝突。

參考資料:

1。Liu K-L Wu T Chen P-T 等
深度學習區分胰腺癌組織和非癌性胰腺組織:一個跨種族外部驗證的回溯性研究。

柳葉刀數位健康,2020;2:e303-e313

2。Attiyeh MA Chakraborty J Doussot A 等。
用定量式電腦斷層掃描圖像分析做胰臟管腺癌病患生存預測

Ann Surg Oncol。2018;25:1034-1042

3。Simpson AL Antonelli M Bakas S 等。
大型的有附註醫學影像資料集應用在分割演算法的發展和評估

arXiv。2019;(2月25日線上發表)(預印本)
http://arxiv.org/abs/1902.09063

4。To’o KJ Raman SS Yu NC 等。
胰臟和胰週疾病模仿原發性胰臟腫瘤
Radiographics。2005;25:949-965

使用磁共振成像影像組學分析預測起始性放射手術後的腦部轉移速度和臨床結果

許哲瑜*,蕭輔仁,劉高郎,陳定立,李岳洲,和 王偉仲*
Neuro-Oncology Advances(已被採納),8月,2020年

背景:可以使用腦部轉移速度(BMV)預測
經過起始性立體定位放射手術(SRS),在初期遠處腦衰竭(DBF)之後的結果。我們開發了一個綜合模型,結合了臨床預測因子和基於MRI先SRS影像組學評分(R_評分),在一開始辨識腦部轉移(BM)時辨認出高BMV患者。

方法:總共回顧性地包括了256例僅接受過起始性SRS治療的BM患者。R_評分是由兩個目標組別中的1246個影像組學特徵,使用極限梯度提升演算法來預測高BMV族群(BMV_H),以BMV >= 4或初次DBF時出現柔腦膜轉移來詮釋。兩個R_評分和三個臨床預測因子被整合成一個預測性臨床影像組學(CR)模型。

結果:相關的R_評分顯現出BMV_H和低BMV(BMV_L)之間的顯著差異。BMV_L的定義是BMV < 4或是沒有DBF(P < 0.001)。迴歸分析識別出BM值,病灶周圍水腫,和顱外進展都是重要的預測因子。使用了這五個預測因子的CR模型在發現和測試的組別中分別得到的自助法修正完致性指數是0.842和0.832。初次DBF之後的整體存活期(OS)在CR預測的BMV_L和BMV_H組別之間明顯的不同(OS中位數:26.7月 vs. 13.0月,P=0.016)。落在診斷專用分級預後評估(DS- GPA)1.5-2或是2.5-4之間的患者,CR預測的BMV_L的最初SRS後OS中位數為33.8和67.8個月,而CR預測的BMV_H(P<0.001 和 P<0.001)的OS中位數為13.5 和 31.0個月。

結論:我們的CR模型提供了一個在預測BMV和臨床結果上有良好績效的新穎方法。

影像組學特徵區別胰臟癌和非癌性胰臟

廖偉志,陳柏廷Po-Ting Chen,顏惠玄Hui-Hsuan Yen,Dawei Chang,劉高郎,黃素雲,Holger Roth,吳明賢,和 王偉仲
消化醫學周會議(DDW),2020

三維腦轉移分割使用粗至細有邊界損失的神經網路結構搜尋

(Chih-Kuo Lee)C Lee,許哲瑜C Hsu,李岳洲Y Lee,王柏川 P Wang,(Holger R. Roth)H R Roth,王偉仲
北美放射學會(RSNA),2020

使用多機構合作深度學習的自動胰臟分割

王柏川*,Chen Shen,Holger R. Roth,Dong Yang,Daguang Xu,小田 昌宏,Kazunari Misawa,Po-Ting Chen,劉高郎,廖偉志,王偉仲,和 森健策
MICCAI 分散式與合作學習研討會,10月,2020年

深度學習區分胰腺癌組織和非癌性胰腺組織:一個跨種族外部驗證的回溯性研究

劉高郎,吳庭蕙Tinghui Wu,Po-Ting Chen,Yuhsiang M. Tsai,Holger Roth,吳明賢,廖偉志*,和 王偉仲*
柳葉刀數位健康,2(6),303-313,6月,2020年

背景:胰腺癌CT的診斷結果依靠的是詮釋者的判斷。因此,大約40%小於2 公分的腫瘤不會被檢測到。雖然卷積神經網絡(CNNs)已在圖像分析上顯現出可被期待的成果,但是仍不清楚網絡在胰腺癌檢測和診斷上的可能性。我們企圖探討CNN可否用CT區別出病患有無胰臟癌。結果將跟放射科醫師的詮釋相比對。

方法:在這個兼具回溯性和診斷性特質的研究裡,共收集了從台灣某中心獲得的370位胰腺癌和320位對照組做了手工標記的對比強化CT圖像。這些案例被隨機分派到訓練和驗證組( 295位胰腺癌和265位對照組)或測試組(75位胰腺癌和 64位對照組;本地測試集1)。圖像被預處理成小塊圖像,然後就訓練CNN來做小塊圖像是否有癌性的分類。使用從訓練和驗證組得來的分界點,依照CNN診斷出小塊圖像是否為癌性的比例來分辨案例是否有胰腺癌。接著又使用了一組在地資料集(101位胰腺癌和88位對照組;本地測試集2)和一組美國資料集(281位胰腺癌和82 位對照組)來進一步測試這一個CNN。結果跟放射科醫師在地資料集胰腺癌圖像報告相比較。

發現:我們在2006年1月1日到 2018年12月31日之間蒐集了CT圖像。在本地測試集1中,基於CNN的分析得出的敏感性為0.973,特異度為1.000,準確度為0.986(曲線下面積(AUC)0.997(95% CI 0.992-1.000))。在本地測試集2中,基於CNN的分析得出的敏感性為0.990,特異度為0.989,準確度為0。989(AUC 0.999 [0.998-1.000])。 在美國測試集中,基於CNN的分析得出的敏感性為0.790,特異度為0.976,準確度為0.832(AUC 0.920 [0.891-0.948])。兩個本地測試集合併起來,基於CNN的分析比放射科醫師達到了更高的敏感性(0.983 vs. 0.929,差異0.054 [95% CI 0.011-0.0980];p=0.014)。CNN在176 個胰腺癌(1.1-1.2公分)案例中,漏了3個(1.7%)。放射科醫師則在168 個胰腺癌(1.0-3.3公分)案例中,漏了12個(7%)。當中的11個(92%)被CNN正確的做了分類。CNN對於小於2公分的腫瘤的敏感性在本地測試集和美國測試集中分別是92.1%和63.1%。

詮譯:CNN可以在CT上準確的辨別出胰腺癌。這個結果基本上是可以被推廣到不同種族和人種的患者圖像上。CNN可以對放射科醫師的詮釋起到輔助的作用。

資助單位:台灣科技部

方法:從檔案庫提取的CT圖像有經過組織學確認的胰腺癌患者70例和正常胰臟的對照組70例。隨機選取 10 位患者和 10位對照組的圖像做為測試集,其它的則歸屬到訓練集。胰腺和腫瘤被有胰臟圖像經驗的放射科醫師做了手動標記並做為基準真相。每個圖像用調窗和標準化進行預處理然後被切成長度和寬度各為50像素的小塊圖像。若小塊圖像當中腫瘤佔據>30%的區域則標記為腫瘤,若小塊圖像當中沒有腫瘤且胰腺佔據>50%的區域則標記為正常胰腺,不管小塊圖像是取自對照組或PC病患中。用TITAN V(NVIDIA)訓練卷積神經網絡(CNN)來分類小塊圖像為腫瘤或正常,用二值交叉熵做為損失函數,以測試組來評估CNN的性能。在基於患者的分析上,從PC患者取得的正常小塊圖像被排除,然後有超過50%小塊圖像被CNN預測為腫瘤的患者被歸類為PC患者。

結果:訓練集共生成 2522 片 PC小塊圖像和 3808片正常胰腺小塊圖像。測試集則包含了533 片PC患者小塊圖像和949片正常胰腺小塊圖像。在區別PC和正常胰腺上,CNN基於小塊圖像的分析準確度是77.1%,而接收者操作特徵(ROC)曲線底下面積(AUC)是0.80(詳表和圖)。在基於患者的分析上,準確度和AUC分別是90%和 0.96。電腦分析整個測試集(1482片小塊圖像)的計算時間少於5秒鐘。

結論:我們開發出一個可以區別有PC的胰腺CT和不帶有PC的胰腺CT的CNN,並在基於患者的分析上達到了90%的準確度,在基於小塊圖像的分析上達到了77.1%的準確度。這個深度學習模型是一個有潛力的電腦輔助診斷工具,可以促成早期和準確的PC診斷。

建構一個基於深度學習模型的平台來模仿CT圖像排列的自我組織過程,用以自動辨識人的構造。

Feng-Mao Lin,陳紀雯Chi-Wen Chen,黃威達,Liangtsan Wu,Anthony Costa,Eric K. Oermann 和 王偉仲
北美放射學會(RSNA),12月,2019年
1。睿傳數據股份有限公司,台灣;
2。鴻海健康科技事業群,美國;
3。神經外科,依坎醫學院,美國;
4。數學系,國立台灣大學,台灣 *通訊作者

目的:展示深度學習應用程式自動識別電腦斷層掃描(CT)上的切片區域為人體结構的能力。這個應用程式會被配置於全民健保(NHI)的資料庫上,來分類截至2018年大約4億5千8百萬張的CT圖像。

材料和方法:挑選 954 和 4095 個 CT 系列分別做訓練和測試。立體像素間距必須 > 0.6 mm,每個系列要 > 40個切片。每個圖像被標準化至128^2像素的規格。AlexNet 和 ResNet分別是用灰度圖像和三色圖象(骨頭,體液和空氣)來訓練。損失函數與Ke Yan等人在2018年文章裡所發表的相同,根據切片順序增加切片分數。當 r-square < 0.8時,線性回歸被用來調整系列的切片分數。該系列會被分為4部分。新的切片分數會由兩個最好的部分估算得出。使用人工注釋的肺邊界來找出測量敏感性和特異度的分界點。

結果:總共訓練了 AlexNet 和 ResNet 兩天。線性回歸的 r-square 用來測量切片分數和順序之間的線性。使用我們的誤差修正,r-square < 0.8的系列數量在AlexNet下從4.1%減少到了1.7%,在ResNet下從6.8%減少到了 2.2%。圖 1 描繪有相似切片分數且有相似身體部位的圖像。根據肺邊界,下邊界的分數變量大於上邊界。分界點的選定是以特異性x敏感性的最大值為基礎。ResNet 在訓練用數據和驗證用數據上有最好的預測效能(特異性 > 0.94,敏感性 > 0.9)。AlexNet 在NHI驗證用數據上有最好的預測效能(特異性 > 0.91,敏感性 > 0.94)。誤差修正稍為改善了敏感性和特異性。使用AlexNet 和 ResNet在NHI驗證用數據上得出的特異性和敏感性都大於 0.9。

結論和討論:首先,使用ResNet 和 AlexNet的預處理流程可以加速訓練過程,減少損失,有效率的做預測。圖二。顯示我們的誤差修正程序確實的遵照相對應的身體部位調整切片分數。因為每個人的器官邊界都不太一樣,這樣的處理可以做好大部分的辨識。雖然我們發現ResNet 和誤差修正可以在小量的訓練數據中得到良好的預測品質,Ke Yan等人在2018年所提出的模型,配合上做訓練的大量訓練數據,仍是最先進的方法之一。

臨床相關性 / 應用程序:NHI截至2018年共收集了大約4億5千8百萬張的醫學CT圖像。我們的應用程序將會被使用在一個世界上最大的醫學資料庫上。精確的檢索出需要的人體構造圖像可以加快相關應用程序的開發並減少儲存空間的使用。

致謝:我們感謝台灣NHI的全民健康保險資料人工智慧應用服務試辦提供了寶貴的數據讓我們可以做模型的驗證。

北美放射學會(RSNA)是一個非營利組織,有從世界136個國家聚集的超過54000名的會員。它提供高品質的教育資源,包括用於醫師認證維護的繼續教育學分,主辦全世界最大的放射學會議,也發行兩份頂級同儕評閱期刊:放射學和放射攝影學。
來源:RSNA 2019 網址
https://rsna2019.rsna.org/

使用影像組學和機器學習在電腦斷層掃描上區別胰臟腺癌和非腫瘤胰臟

Po-Ting Chen,Huihsuan Yen,張大緯Dawei Chang,廖偉志,劉高郎,Holger R. Roth,王偉仲,吳庭蕙Tinghui Wu
北美放射學會(RSNA),12月,2019年
1。醫學影像,國立台灣大學醫學院附設醫院和國立台灣大學醫學院,台灣;
2。數據科學學位課程,國立台灣大學和中央研究院,台灣;
3。應用數學研究所,國立台灣大學,台灣;
4。內科醫學系,國立台灣大學醫學院附設醫院和國立台灣大學醫學院,台灣;
5。英偉達,美國

目的:胰臟腺癌(PC)是非常致命的癌症,是美國排名第四的癌症死亡病因。影像組學這個方法學就是從醫學圖像中提取定量統計數據和特徵。本研究的目的在開發一個機器學習模型在對比強化電腦斷層掃描(CT)上使用影像組學特徵區別出胰臟腺癌(PC)和非腫瘤胰腺(NP)的案例。

材料和方法:靜脈相對比強化CT圖像共PC組100例,對照組100例交由一位放射科專家審查。放射科醫師手動標記PC組裡的腫瘤和胰線,而在NP組中,一部分的胰線則由預訓練的深度學習模型做分割。數據分類為訓練集(60組NP,60組PC),驗證集(20組NP,19組PC)和測試集(20組NP,19組PC)。胰腺和腫瘤圖像則被分開成20像素x20像素的小塊圖像,以便之後提取影像組學特徵。總共提取91個影像組學特徵,接著利用極限梯度提升(XGBoost)模型進行分類。

結果:被產生出的小塊圖像,有3596張PC和19446張NP被分派在訓練組,而691張PC和3889張NP則是被歸屬於測試組。在區分PC和NP方面,XGBoost在基於小塊圖像分析的準確度是93.43%,在接受者操作特徵(ROC)曲線下的面積(AUC)為 0.94712。基於患者的分析,其準確度,敏感性,特異性,和AUC分別是 95.12%,0.90476,1,和 0.95238。獲得最高評分的10個最重要的特徵包括一階統計中的中位數,第10個百分位,能量,偏度,第90個百分比,最大值,最小值,和峰度,灰階共生矩陣(GLDM)的依賴不均勻性,和灰階共生矩陣(GLCM)的群聚陰暗度。

結論:我們開發出的機器學習模型可以區別帶有PC的胰腺CT和不帶有PC的胰腺CT,在基於患者的分析有95.12%的準確度,在基於小塊圖像的分析有93.43%的準確度。在我們模型選擇的重要特徵當中,一階統計特徵在重要性上有最高的得分,接著是跟不均勻性有關的高階統計特徵。

臨床相關性 / 應用:這個模型準確的區別有癌性和非腫瘤性的胰臟,是一個有潛力的電腦輔助診斷工具。

北美放射學會(RSNA)是一個非營利組織,有從世界136個國家聚集的超過54000名的會員。它提供高品質的教育資源,包括用於醫師認證維護的繼續教育學分,主辦全世界最大的放射學會議,也發行兩份頂級同儕評閱期刊:放射學和放射攝影學。
來源:RSNA 2019 網址
https://rsna2019.rsna.org/

評估使用基於MRI影像組學特徵選擇下咽癌器官保護療法最佳患者的效果:雙機構傾向評分匹配分析。

林士敏,Cheyu Hsu,Yuehchou Lee,T. Li,郭頌鑫S. Kuo,王偉仲
歐洲腫瘤醫學會(ESMO)大會,10月,2019年
1。放射腫瘤科,長庚醫療財團法人 – 林口長庚記念醫院,台灣;
2。腫瘤科,國立台灣大學醫學院附設醫院,台灣;
3。數學系,國立台灣大學,台灣;
4。放射腫瘤科,國立台灣大學醫學院附設醫院,台灣;
5。腫瘤科,國立台灣大學醫學院附設醫院,台灣;
6。應用數學科學研究所,國立台灣大學,台灣

背景:早期顱內進展(ICP)降低了一線放射手術(SRS)用於腦轉移的療效。我們企圖透過深度學習開發和驗證一個可用於預測受過SRS治療的腦轉移病患的一年擴散ICP得MR成像衍生的影像組學特徵(RS)(DICP;3個或更多個病灶和軟腦膜癌病)。

方法:從在2008年8月到2018年1月之間有
受一線SRS的208病患和451處病灶中,取得共1304個基於MRI處理前腫瘤的影像組學特徵。用兩個對稱的神經網絡編碼和解碼層與1,649,560個可訓練參數來訓練變分自動編碼器(VAE),然後套用VAE來減少影像組學特徵的維度到128個VAE-影像組學特徵。用惩罰回歸配合10折交叉驗證和最小絕對緊縮與選擇算子做特徵的選擇並建構RS來預測訓練集中的150名病患的1年期DICP事件,並用測試集裡的58名患者驗證。致性指數被用來評估RS在兩個資料集中的判別能力。VAE-影像組學特徵與分子特徵的關聯用學生t-檢定分析。存活分析則是用Kaplan-Meier方法計算。

結果:在區別1年期DICP上,用RS得到的1000次自助法修正完致性指數在訓練隊列和測試隊列中分別是0.746 和 0.747。而病源於肺(n=175)和胸(n=23)的次群體,RS也顯示出很好的預測性能,分別得出致性指數0.735和0.755。EGFR-突變(n=113)和 ER(n=22)狀態分別和選定的 VAE-影像組學特徵第98號(p = 0.035)和第127號(p=0.44)有關聯。二分法風險類別用 -0.769(約登指標)的RS為分界點得出在低風險組整體存活的中位數值為57.7個月,而在高風險組(p < 0.01)是 20.5個月。

結論:RS 模型提供一個新穎的方法來預測1年期 DICP 和 接受 SRS的腦轉移病患存活期,並一定會被整合進GPA以求能最好的選擇出接受了一線 SRS 治療的患者。

歐洲腫瘤醫學會(ESMO)大會是一個在歐洲的聚會給來自全世界的臨床醫師,研究人員,代表病人倡議者,記者,和製藥業聚集,一起學習腫瘤學的最新發展以及把科學發現轉化為更好的癌症病人照護。

來源:ESMO 大會 2019 網址
https://www.esmo.org/Conferences/Past-Conferences/ESMO-Congress-2019

運用對比強化MR成像在放射線攝影術表型上鑑別出腦轉移後做過放射手術治療的顱內散佈性復發

Cheyu Hsu,郭頌鑫S. Kuo,王偉仲,T. W. Chen,Yuehchou Lee
歐洲腫瘤醫學會(ESMO)大會,10月,2019年
1。放射腫瘤科,國立台灣大學醫學院附設醫院,台灣;
2。腫瘤科,國立台灣大學醫學院附設醫院,台灣;
3。應用數學科學研究所,國立台灣大學,台灣;
4。腫瘤系,國立台灣大學,醫學院,台灣;
5。數學系,國立台灣大學,台灣

背景:不同的下咽鱗狀細胞癌(HPSCC)患者在接受器官保護療法(OPT)後會有很不一樣的早期局部區域性衰竭(LRF)。我們企圖發展和驗證一個基於MRI的影像組學特徵(RS)以預測HPSCC患者在接受OPT治療後的1年期LRF,並研究其在OPT和完全喉切除術(TL)隊列之間的效用。

方法: 從370位HPSCC患者中獲得3912個處理前腫瘤基於MRI的影像組學特徵(RF),包含 OPT隊列1(OPT1;n = 186),OPT隊列2(OPT2;n=88),和TL隊列(TLc;n=96)。用兩個對稱的神經網絡編碼和解碼層訓練的變分自動編碼器(VAE)減少影像組學特徵的維度到128 個VAE-RF。用最小絕對緊縮與選擇算子配合10折交叉驗證來做特徵選擇並建構RS來預測OPT1裡的1年期LRF事件,並以OPT2和TLC做驗證。致性指數被用來評估 RS的識別能力。
用約登指數決定初二分法 RS 風險類別的最佳分界點。成對的傾向評分匹配(卡尺 0.2)配上治療前變數(年紀,性別,TNM期)來比較不同的RS風險類別下OPT 和 TL的影響。

結果: RS 產生的1000次自助法修正完致性指數在 OPT1,OPT2 和 TLC 上分別得出0.753,0.745 和 0.398。使用約登RS分界點,在 1 年期 LRF 預測上,二分法風險類別在OPT1,OPT2 和 TLC中的準確度分別為 71.12%,70.41%,和 41.74%。在RS-高風險族群裡,OPT與較差的疾病無惡化存活期有關(PFS,HR:1.752,p=0.032),反而在RS-低風險族群中,OPT 並未使 PFS 惡化(HR:0.774,p=0.416)。

結論:基於RS的模型提供一新穎和便捷的方法來預測受過OPT的HPSCC病人的1年期LRF和存活結果。在TLC裡,基於MRI的RS的預測績效差異也強調出TL在RS-高風險族群裡的角色。

歐洲腫瘤醫學會(ESMO)大會是一個在歐洲的聚會給來自全世界的臨床醫師,研究人員,代表病人倡議者,記者,和製藥業聚集,一起學習腫瘤學的最新發展以及把科學發現轉化為更好的癌症病人照護。

來源:ESMO 大會 2019 網址
https://www.esmo.org/Conferences/Past-Conferences/ESMO-Congress-2019

用2D卷積遞迴網絡進行嚴重狹窄症狀檢測

王嘉澤Chiatse Wang,Chih-Kuo Lee,Yu-Cheng Huang,李文正,王宗道,王偉仲,周呈霙,Junting Chen,Weidao Lee
歐洲心臟學會(ESC)大會,9月,2019年
1。數據科學研究生學程,國立台灣大學和中央研究院,台灣;
2。國立台灣大學醫學院附設醫院,台灣;
3。國立台灣大學,台灣

目的:狹窄症狀檢測在冠狀動脈疾病(CAD)的診斷上是很重要的一環。在整個冠狀動脈上,手動檢測狹窄症狀大概需要30分鐘。我們的狹窄症狀檢測器在每一個病患上只需少於20秒的時間就可以檢測出所有大於 70% 的狹窄症狀。這是檢測時間的大量縮減。

方法:我們開發一個工作流程來整理原始數據,進行包括橫切面序列產生器的圖像預處理,用訓練過的模行推斷,然後視覺化結果。這個模型裡面的2萬3千個參數是由卷積神經網絡(CNN)和循環神經網絡(RNN)所架構而成。我們的模型使用鹿特丹冠狀動脈狹窄檢測和定量評估框架提供的資料集來訓練。為檢測出超過70%的嚴重狹窄症狀,我們訓練模型時做了數據是否有超過50%狹窄症狀的分類。這個程序幫忙消除因為資料集不平衡所造成的偏差。

結果:我們得出的結果展現出基於深度學習的網絡檢測嚴重狹窄症的可行性。下一步將要更精進演算法並把它整合進國立台灣大學醫學院附設醫院診斷工作流程中。

歐洲腫瘤醫學會(ESMO)大會是一個在歐洲的聚會給來自全世界的臨床醫師,研究人員,代表病人倡議者,記者,和製藥業聚集,一起學習腫瘤學的最新發展以及把科學發現轉化為更好的癌症病人照護。

來源:ESMO 大會 2019 網址
https://www.esmo.org/Conferences/Past-Conferences/ESMO-Congress-2019

用人工智慧在電腦斷層掃描上分辨胰臟腺癌和正常胰腺

廖偉志,王偉仲,Ting-Hui Wi,劉高郎,Po-Ting Chen,顏惠萱,Holger R. Roth
消化醫學周會議(DDW),5月,2019年
1。內科醫學系,國立台灣大學醫學院附設醫院和國立台灣大學醫學院,台灣;
2。應用數學研究所,國立台灣大學,台灣;
3。醫學成像,國立台灣大學醫學院附設醫院和國立台灣大學醫學院,台灣;
4。資料科學學位學程,國立台灣大學和中央研究院,台灣;
5。英偉達,美國

背景:電腦斷層掃描(CT)是檢測和評估胰臟腺癌(PC)的主要型式。但是大約有三分之一 <2 公分的PC不會被CT發現,而且分辨PC和良性胰腺病灶常常也很有挑戰。 目標:開發和測試一個深度神經網絡來分辨PC和正常胰腺。 方法:從檔案庫中提取出70 名經組織學確認的胰臟腺癌患者和 70 名正常胰腺的對照組成員共140個案例的CT 圖像。隨機的選出10名患者和10名對照組的案例組成測試集,剩下的被加入到訓練集中。一名胰腺成像有經驗的放射學醫師對胰腺和腫瘤所做的手動標記成為基準真相。每個圖像用調窗和標準化進行預處理,然後被切成50像素x50像素的小塊圖片。小塊圖片中腫瘤佔據>30%面積的被標記為腫瘤,而小塊圖片裡沒有癌症且胰腺佔有>50%面積的被標記為正常胰腺,不管小塊圖片是來源自對照組或PC患者組。以 TITAN V(英偉達)訓練的卷積神經網絡(CNN)用二值交叉熵為損失函數來分類小塊圖片為癌症或正常,並以測試集來做效能評估。在進行基於患者的分析中,PC患者的正常小塊圖片被排除,接著若患者超過50%的小塊圖片被CNN歸類為癌症就會被判定擁有PC。

結果:總共生成了用於訓練集的2522個PC小塊圖片和3808個正常胰腺小塊圖片,用於測試集的533個PC小塊圖片和949個正常胰腺小塊圖片。在區別PC和正常胰腺方面,CNN在基於小塊圖片的分析的準確度是77.1%,而接收者操作特徵(ROC)曲線(AUC)下的面積是 0.80(詳表和圖)。在基於患者的分析中,準確度和 AUC 分別是90% and 0.96。電腦分析整個測試集(1482 個小塊圖片)所花時間少於 5 秒。

結論:我們開發出一個可以分辨有PC的胰臟CT和沒有PC的胰臟CT的CNN,並在基於患者的分析上得到90%的準確度,在基於小塊圖片的分析上得到77.1%的準確度。這個深度學習模型是有潛力的電腦輔助診斷工具,可以幫助達成早期和正確的PC診斷。

消化醫學周會議®(DDW)是世界最大的醫師,研究人員和胃腸病學,肝病學,內視鏡檢查和胃腸外科等領域專家的聚會,被HCEA評鑑為前50頂尖醫學會議之一。
來源:DDW 首頁 https://ddw.org/