KR102383325B1 - 췌관내 유두상점액종양의 악성 및 침습성 예측 방법 및 장치 - Google Patents

췌관내 유두상점액종양의 악성 및 침습성 예측 방법 및 장치 Download PDF

Info

Publication number
KR102383325B1
KR102383325B1 KR1020190156765A KR20190156765A KR102383325B1 KR 102383325 B1 KR102383325 B1 KR 102383325B1 KR 1020190156765 A KR1020190156765 A KR 1020190156765A KR 20190156765 A KR20190156765 A KR 20190156765A KR 102383325 B1 KR102383325 B1 KR 102383325B1
Authority
KR
South Korea
Prior art keywords
pancreatic duct
papillary mucinous
malignancy
invasiveness
mucinous tumor
Prior art date
Application number
KR1020190156765A
Other languages
English (en)
Other versions
KR20210067303A (ko
Inventor
박태성
강나연
송우경
추원호
장진영
강재승
김형석
한영민
Original Assignee
서울대학교산학협력단
서울대학교병원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단, 서울대학교병원 filed Critical 서울대학교산학협력단
Priority to KR1020190156765A priority Critical patent/KR102383325B1/ko
Publication of KR20210067303A publication Critical patent/KR20210067303A/ko
Application granted granted Critical
Publication of KR102383325B1 publication Critical patent/KR102383325B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

본 발명은 췌관내 유두상점액종양 예측 방법 및 장치를 개시한다. 본 발명에 따르면, 프로세서; 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 미리 결정된 환자의 임상 변수를 입력 받고, 상기 임상 변수를 통해 췌관내 유두상점액종양의 악성 또는 침습성 예측 점수를 산출하도록, 상기 프로세서에 의해 실행되는 프로그램 명령어들을 저장하며, 상기 임상 변수의 입력 및 산출된 예측 점수의 출력은 췌관내 유두상점액종양의 악성 및 침습성 각각에 상응하는 노모그램을 통해 이루어지며, 상기 임상 변수는, 연령 및 성별과, 낭종 크기, 주췌관 확장, 벽결절 및 위치 중 적어도 하나를 포함하는 영상의학적 변수를 포함하는 췌관내 유두상점액종양 예측 장치가 제공된다.

Description

췌관내 유두상점액종양의 악성 및 침습성 예측 방법 및 장치{Method and apparatus for predicting malignancy and invasiveness in intraductal papillary mucinous neopla}
본 발명은 췌관내 유두상점액종양의 악성 및 침습성 예측 방법 및 장치에 관한 것이다.
췌관내 유두상점액종양(은 췌장의 전암성 병변으로 진단 영상의 발달로 인해 최근 발병률이 크게 증가하고 있다.
췌관내 유두상점액종양의 악성 종양 위험과 절제 징후를 증가시키는 국제가이드라인이 제안되었으나, 다양한 특성을 가진 개별 환자에 대한 악성 및 침습성을 정량적으로 예측할 수 없고, 악성 진행 여부를 정량적으로 예측할 수 있는 모델이 제공되지 못하고 있는 실정이다.
종래에 악성 및 침습성 예측을 위한 노모그램이 제안되기도 하였으나, 정량적 예측 정확도가 높지 않아 영상의학적 소견(Radiologic Finding)을 이용하여 악성 및 침습성을 예측하기 위한 모델이 요구되고 있는 실정이다.
Jang JY, Park T, Lee S, Kim Y, Lee SY, Kim SW, et al. Proposed Nomogram Predicting the Individual Risk of Malignancy in the Patients With Branch Duct Type Intraductal Papillary Mucinous Neoplasms of the Pancreas. Ann Surg. 2017;266(6):1062-8.
상기한 종래기술의 문제점을 해결하기 위해, 보다 단순하고 보편적으로 활용할 수 있는 췌관내 유두상점액종양의 악성 및 침습성 예측 방법 및 장치를 제안하고자 한다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따르면, 췌관내 유두상점액종양 예측 장치로서, 프로세서; 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 미리 결정된 환자의 임상 변수를 입력 받고, 상기 임상 변수를 통해 췌관내 유두상점액종양의 악성 또는 침습성 예측 점수를 산출하도록, 상기 프로세서에 의해 실행되는 프로그램 명령어들을 저장하며, 상기 임상 변수의 입력 및 산출된 예측 점수의 출력은 췌관내 유두상점액종양의 악성 및 침습성 각각에 상응하는 노모그램을 통해 이루어지며, 상기 임상 변수는, 연령 및 성별과, 낭종 크기, 주췌관 확장, 벽결절 및 위치 중 적어도 하나를 포함하는 영상의학적 변수를 포함하는 췌관내 유두상점액종양 예측 장치가 제공된다.
상기 췌관내 유두상점액종양 악성 예측을 위한 노모그램에 입력되는 임상 변수는 연령, 성별, 낭종 크기(cyst size), 주췌관 확장(main pancreatic duct dilatation, 벽결절(mural nodule) 및 위치(location)를 포함할 수 있다.
상기 췌관내 유두상점액종양 침습성 예측을 위한 노모그램에 입력되는 임상 변수는 연령, 낭종 크기, 주췌관 확장 및 벽결절를 포함할 수 있다.
상기 연령과 성별을 조정 가능한 공변량으로 사용하여 로지스틱 회귀 모델을 사용한 완전 탐색(exhaustive search)을 통해 복수의 영상의학적 변수 중 낭종 크기, 주췌관 확장, 벽결절 및 위치가 선별될 수 있다.
본 발명의 다른 측면에 따르면, 프로세서 및 메모리를 포함하는 췌관내 유두상점액종 예측 방법으로서, 미리 결정된 환자의 임상 변수를 입력 받는 단계; 및 상기 임상 변수를 통해 췌관내 유두상점액종양의 악성 또는 침습성 예측 점수를 산출하는 단계를 포함하되, 상기 임상 변수의 입력 및 산출된 예측 점수의 출력은 췌관내 유두상점액종양의 악성 및 침습성 각각에 상응하는 노모그램을 통해 이루어지며, 상기 임상 변수는, 연령 및 성별과, 낭종 크기, 주췌관 확장, 벽결절 및 위치 중 적어도 하나를 포함하는 영상의학적 변수를 포함하는 췌관내 유두상점액종양 예측 방법이 제공된다.
본 발명의 또 다른 측면에 따르면, 상기한 방법을 수행하는 기록매체에 저장되는 컴퓨터 프로그램이 제공된다.
본 발명에 따르면, 통계 처리를 통해 선택된 영상의학적 소견을 이용하여 췌관내 유두상점액종양의 악성 및 침습성을 정확히 예측할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 췌관내 유두상점액종양의 악성 및 침습성 예측 장치의 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 췌관내 유두상점액종양 악성 예측을 위한 노모그램을 도시한 도면이다.
도 3는 본 발명의 일 실시예에 따른 췌관내 유두상점액종양의 침습성 예측을 위한 노모그램을 도시한 도면이다.
도 4는 3049 명의 인구 통계학적 특성을 나타낸 것이다.
도 5는 로지스틱 회귀 모델에 사용된 선택된 모델과 변수를 나타낸 것이다.
도 6은 Hosmer-Lemeshow(HL) 적합도 검정의 결과와 예측된 위험의 95 % 신뢰 구간을 나타낸 도면이다.
도 7은 악성 종양에 대한 노모그램 컷오프에 따른 진단값을 나타낸 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시예에 따른 췌관내 유두상점액종양 예측 장치의 구성을 도시한 도면이다.
본 실시예에 따른 췌관내 유두상점액종양 예측 장치는 프로세서(100) 및 메모리(102)를 포함할 수 있다.
프로세서(100)는 컴퓨터 프로그램을 실행할 수 있는 CPU(central processing unit)나 그밖에 가상 머신 등을 포함할 수 있다.
메모리(102)는 고정식 하드 드라이브나 착탈식 저장 장치와 같은 불휘발성 저장 장치를 포함할 수 있다. 착탈식 저장 장치는 컴팩트 플래시 유닛, USB 메모리 스틱 등을 포함할 수 있다. 메모리(102)는 각종 랜덤 액세스 메모리와 같은 휘발성 메모리도 포함할 수 있다.
본 발명의 일 실시예에 따르면, 메모리(102)에는 미리 결정된 임상 변수를 입력 받고, 상기 임상 변수를 통해 췌관내 유두상점액종양의 악성 또는 침습성 예측 점수를 산출하도록, 프로세서(100)에 의해 실행되는 프로그램 명령어들을 저장한다.
여기서, 입력되는 임상 변수는, 환자의 연령 및 성별 중 적어도 하나와, 낭종 크기(cyst size), 주췌관 확장(main pancreatic duct dilatation Mainduct), 벽결절(mural nodule) 및 위치(location) 중 적어도 하나를 포함하는 영상의학적 변수를 포함할 수 있다.
도 2는 본 발명의 일 실시예에 따른 췌관내 유두상점액종양 악성 예측을 위한 노모그램을 도시한 도면이다.
본 실시예에 따르면, 복수의 환자에 대한 임상학적 특징 및 영상의학적 소견정보에서, 연령과 성별을 조정 가능한 공변량으로 사용하여 로지스틱 회귀 모델을 사용한 완전 탐색(exhaustive search)을 통해 복수의 영상의학적 변수 중 상기한 4개의 영상의학적 변수를 선별하고, 연령 및 성별과 같은 변수와 낭종 크기, 주췌관 확장, 벽결절 및 위치와 같은 영상의학적 변수의 조합 중 AUC(area under the receiver operating characteristic curve)가 가장 높은 임상 변수의 조합을 선택한다.
도 2를 참조하면, 본 실시예에 따른 췌관내 유두상점액종양 악성 예측을 위한 노모그램에 입력되는 임상 변수는 연령(age) 및 성별(sex)을 포함할 수 있고, 낭종 크기, 주췌관 확장, 벽결절 및 위치과 같은 영상의학적 변수일 수 있다.
도 3은 본 발명의 일 실시예에 따른 췌관내 유두상점액종양 침습성 예측을 위한 노모그램을 도시한 도면이다.
췌관내 유두상점액종양 침습성 예측을 위한 노모그램에 입력되는 임상 변수는, 연령(age)을 포함할 수 있고, 낭종 크기(cyst size), 주췌관 확장(main pancreatic duct dilatation Mainduct) 및 벽결절(mural nodule)와 같은 영상의학적 변수일 수 있다.
이하에서는, 본 실시예에 따른 췌관내 유두상점액종양 악성 및 침습성 예측을 위한 변수 결정 과정을 상세하게 설명한다.
Data collection
한국 (9개 센터), 일본 (13개 센터), 중국 (2개 센터), 대만 (2개 센터), 네덜란드 (1개 센터), 스웨덴의 7 개국 30개 기관에서 IPMN에 대한 췌장 절제술을 받은 3049명의 환자가 포함되었다.
낭종 크기, 주췌관 확장(main pancreatic duct, MPD) 직경 및 벽결절을 측정하기 위해 CT, MRI 또는 내시경 초음파(EUS)를 포함한 수술전 영상의학적 소견이 일반적으로 사용되었다. 방사선 영상 또는 EUS에서 MPD 직경이 10 mm 이하인 환자가 포함되었고 10 mm 이상인 환자는 제외되었다. 방사선 영상에서 탐지 가능한 모든 벽결절은 크기에 관계없이 기록되었다. 악성 종양은 고급 이형성증 및 침습성 IPMN을 포함한 병변으로 정의된다.
통계 분석은 3049명의 환자를 모두 포함하였고, 악성 및 침습성 예측 임상 변수를 확인하기 위해 로지스틱 회귀 분석을 수행하였다. 환자는 무작위로 테스트 세트 (n = 1018) 및 모델 개발 세트 (n = 2031)로 나누었다. 선택 편향을 줄이기 위해 각 병원의 환자를 테스트 세트와 모델 개발 세트로 무작위로 1 : 2로 선택했다. 또한, 각 병원마다 모든 양성 샘플(benign samples)을 무작위로 1 : 2로 테스트 세트와 모델 개발 세트로 나누고 모든 악성 샘플을 비슷한 방식으로 무작위로 나누었다.
노모그램 개발
모델 개발 세트의 총 2031명의 환자에 대해 10-폴드 교차 검증(10-fold cross validation)으로 반복하여 선택 편향을 줄이고 AUC(area under the receiver operating characteristics curve)에서 가장 높은 영역의 악성 종양을 예측하는 변수의 최상의 조합을 탐색한다.
각 교차 검증 데이터 세트에 대해 변수의 최상의 조합을 AUC가 가장 높은 것으로 선택하고 200 회 반복을 수행한다. 10-폴드 교차 검증에서 가장 빈번하게 선택된 변수 조합을 사용하여 노모그램을 모델 개발 세트 (n = 2031)로 구축했다. 로지스틱 회귀 분석으로 유의한 임상 변수를 평가하고 다중 로지스틱 회귀 모델을 사용하여 노모그램을 개발하였다.
노모그램의 모델 성능
예측 능력을 추정하기 위해 1000회 부트 스트랩 교정(bootstrap calibration)으로 테스트 세트를 사용하여 노모그램을 평가했다.
Hosmer-Lemeshow (HL) 적합도 테스트를 사용하여, 피험자들은 예측된 확률에 기초하여 십진법 하위 군으로 나뉘었고, 관찰된 사건 비율이 예상된 사건 비율과 일치하는지 여부를 평가하는 관측 및 예상 빈도로부터 카이제곱 통계를 계산했다.
모델의 보정 플롯은 각 수직선이 부트 스트랩 신뢰 구간 (CI)을 나타내고, 각 군집이 얼마나 정확한지를 나타낸다.
결과
본 실험에서의 3049 명의 인구 통계학적 특성을 도 4에 나타내었다. 남녀비는 1.38 : 1이고 평균 연령은 65.66세였다. 평균 낭종 크기는 30.98 mm였으며 1208 명의 환자에서 벽결절이 발견되었다(39.6 %). 환자 중 1898명 (62.3 %)이 낮은 이형성증이 발견되었고, 577명 (18.9 %)이 높은 이형성증(dysplasia)이 발견되었으며, 574 (18.8 %)는 1.65 : 1의 양성 대 악성 종양 비율을 갖는 침습성 암종을 가지고 있었다. 단변량 분석의 결과는 도 4에 제시되어 있다. 모든 변수는 양성 환자와 악성 환자 사이에서 유의하게 상이하였다.
모델 개발 세트의 모델 설정 및 내부 검증
악성 종양과 침습성에 따라 고정 비율로 노모그램을 구성하기 위해 환자는 모델 개발 및 테스트 세트에 무작위로 할당되었다. 모든 모델에서 연령과 성별을 조정 가능한 공변량으로 사용하여 로지스틱 회귀 모델을 사용한 완전 탐색(exhaustive search)을 통해 1 내지 4 개의 변수를 선별했다.
결과적으로, 노모그램을 구성하기 위해 악성 종양에 대해 위치, 낭종 크기, 췌관 확장 및 벽결절의 4개의 변수가 선택되었으며, 최고 평균 AUC는 0.737 (범위, 0.721-0.756)이다.
동일한 방법을 사용하여 침습성을 위한 노모그램을 구성하는데, 침습성을 예측하는 노모그램의 최고 평균 AUC가 0.724 (범위, 0.707-0.744) 인 3 가지 변수, 낭종 크기, 췌관 확장 및 벽결절가 선택되었다. 로지스틱 회귀 모델에 사용된 선택된 모델과 변수는 도 5에 도시된다.
노모그램의 모델 성능 (2 차 검증)
1018명의 환자의 테스트 세트를 사용하여, 노모그램을 검증하기 위해 1000회 부트 스트랩 교정을 수행하였다. 판별력 검증을 위한 노모그램의 AUC는 각각 0.737 (범위, 0.705-0.770) 및 0.724 (범위, 0.685-0.758)이다. Hosmer-Lemeshow(HL) 적합도 검정의 결과와 예측된 위험의 95 % 신뢰 구간이 도 6에 도시된다.
도 6a는 10% Quantile 척도를, 도 6b는 20 % Quantile 척도를 나타낸 것이다.
10% 및 20% Quantile 척도 모두 악성 종양에 대한 회귀 모델의 우수한 판별력을 나타낸다. (p = 0.3266 및 p = 0.1742) 및 침습성 (각각 p = 0.1219 및 p = 0.1065).
악성 종양에 대한 노모그램 컷오프에 따른 진단값
각 임계값의 민감도, 특이도, 균형 정확도 (balanced accuracy, BA), 양의 예측값 및 음의 예측값을 평가하여 악성을 예측하는 최적의 임계값을 결정하였다 (도 7). 이들 노모그램의 BA는 악성 및 침습성의 확률이 각각 0.36 및 0.15에서 최대였다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

Claims (6)

  1. 췌관내 유두상점액종양 예측 장치로서,
    프로세서; 및
    상기 프로세서에 연결되는 메모리를 포함하되,
    상기 메모리는,
    미리 결정된 환자의 임상 변수를 입력 받고,
    상기 임상 변수를 통해 췌관내 유두상점액종양의 악성 또는 침습성 예측 점수를 산출하도록,
    상기 프로세서에 의해 실행되는 프로그램 명령어들을 저장하며,
    상기 임상 변수의 입력 및 산출된 예측 점수의 출력은 췌관내 유두상점액종양의 악성 및 침습성 각각에 상응하는 노모그램을 통해 이루어지며,
    상기 췌관내 유두상점액종양 악성 예측을 위한 노모그램에 입력되는 임상 변수는 연령, 성별, 낭종 크기(cyst size), 주췌관 확장(main pancreatic duct dilatation, 벽결절(mural nodule) 및 위치(location)를 포함하고,
    상기 연령과 성별을 조정 가능한 공변량으로 사용하여 로지스틱 회귀 모델을 사용한 완전 탐색(exhaustive search)을 통해 복수의 영상의학적 변수 중 낭종 크기, 주췌관 확장, 벽결절 및 위치가 선별되는 췌관내 유두상점액종양 예측 장치.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 프로세서 및 메모리를 포함하는 췌관내 유두상점액종 예측 방법으로서,
    미리 결정된 환자의 임상 변수를 입력 받는 단계; 및
    상기 임상 변수를 통해 췌관내 유두상점액종양의 악성 또는 침습성 예측 점수를 산출하는 단계를 포함하되,
    상기 임상 변수의 입력 및 산출된 예측 점수의 출력은 췌관내 유두상점액종양의 악성 및 침습성 각각에 상응하는 노모그램을 통해 이루어지며,
    상기 췌관내 유두상점액종양 악성 예측을 위한 노모그램에 입력되는 임상 변수는 연령, 성별, 낭종 크기(cyst size), 주췌관 확장(main pancreatic duct dilatation, 벽결절(mural nodule) 및 위치(location)를 포함하고,
    상기 연령과 성별을 조정 가능한 공변량으로 사용하여 로지스틱 회귀 모델을 사용한 완전 탐색(exhaustive search)을 통해 복수의 영상의학적 변수 중 낭종 크기, 주췌관 확장, 벽결절 및 위치가 선별되는 췌관내 유두상점액종양 예측 방법.
  6. 제5항에 따른 방법을 수행하는 기록매체에 저장되는 컴퓨터 프로그램.


KR1020190156765A 2019-11-29 2019-11-29 췌관내 유두상점액종양의 악성 및 침습성 예측 방법 및 장치 KR102383325B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190156765A KR102383325B1 (ko) 2019-11-29 2019-11-29 췌관내 유두상점액종양의 악성 및 침습성 예측 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190156765A KR102383325B1 (ko) 2019-11-29 2019-11-29 췌관내 유두상점액종양의 악성 및 침습성 예측 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210067303A KR20210067303A (ko) 2021-06-08
KR102383325B1 true KR102383325B1 (ko) 2022-04-06

Family

ID=76399833

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190156765A KR102383325B1 (ko) 2019-11-29 2019-11-29 췌관내 유두상점액종양의 악성 및 침습성 예측 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102383325B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102000387B1 (ko) * 2018-02-13 2019-07-15 서울대학교산학협력단 췌관내유두상점액종양의 악성도를 감별할 수 있는 단백질 바이오마커 및 그 용도

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110052361A (ko) * 2009-11-12 2011-05-18 연세대학교 산학협력단 조기 위암 무재발생존 예측 시스템 및 예측 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102000387B1 (ko) * 2018-02-13 2019-07-15 서울대학교산학협력단 췌관내유두상점액종양의 악성도를 감별할 수 있는 단백질 바이오마커 및 그 용도

Also Published As

Publication number Publication date
KR20210067303A (ko) 2021-06-08

Similar Documents

Publication Publication Date Title
Li et al. A clinical-radiomics nomogram for the preoperative prediction of lymph node metastasis in colorectal cancer
Marusch et al. Endorectal ultrasound in rectal carcinoma–do the literature results really correspond to the realities of routine clinical care?
CN101742961A (zh) 诊断支持设备、控制诊断支持设备的方法及其程序
Ankerst et al. Evaluating the Prostate Cancer Prevention Trial High Grade prostate cancer risk calculator in 10 international biopsy cohorts: results from the Prostate Biopsy Collaborative Group
Wakeam et al. Trends, practice patterns and underuse of surgery in the treatment of early stage small cell lung cancer
Gaur et al. A clinical nomogram predicting pathologic lymph node involvement in esophageal cancer patients
Zheng et al. A multicenter study to develop a non-invasive radiomic model to identify urinary infection stone in vivo using machine-learning
Tanaka et al. Comparisons of rigid proctoscopy, flexible colonoscopy, and digital rectal examination for determining the localization of rectal cancers
Kalady et al. Pancreatic duct strictures: identifying risk of malignancy
Xue et al. Development and validation of a radiomics model based on 18F-FDG PET of primary gastric cancer for predicting peritoneal metastasis
Ninomiya et al. Robust radiogenomics approach to the identification of EGFR mutations among patients with NSCLC from three different countries using topologically invariant Betti numbers
Li et al. Computer-aided diagnosis of gastrointestinal stromal tumors: a radiomics method on endoscopic ultrasound image
Soeterik et al. External validation of the Memorial Sloan Kettering Cancer Centre and Briganti nomograms for the prediction of lymph node involvement of prostate cancer using clinical stage assessed by magnetic resonance imaging
Pallauf et al. Diagnostic accuracy of clinical lymph node staging for upper tract urothelial cancer patients: a multicenter, retrospective, observational study
Tian et al. Machine learning-based radiomic computed tomography phenotyping of thymic epithelial tumors: Predicting pathological and survival outcomes
Dilek et al. Different chest CT scoring systems in patients with COVID-19: could baseline CT be a helpful tool in predicting survival in patients with matched ages and co-morbid conditions?
Buscaglia et al. Patient-and cyst-related factors for improved prediction of malignancy within cystic lesions of the pancreas
KR102383325B1 (ko) 췌관내 유두상점액종양의 악성 및 침습성 예측 방법 및 장치
Lin et al. Prediction of the mitotic index and preoperative risk stratification of gastrointestinal stromal tumors with CT radiomic features
Zheng et al. The roles of MRI-based prostate volume and associated zone-adjusted prostate-specific antigen concentrations in predicting prostate cancer and high-risk prostate cancer
Lee et al. Natural Progression of Ground-glass Nodules after Curative Resection for Non-small Cell Lung Cancer
Gonzalez et al. M1523: Quality Colonoscopy: midterm results of a qualitative comparison of cold snare versus cold biopsy forceps for the resection of colonic polyps
Chen et al. The number of lymph nodes examined is associated with survival outcomes and nodal upstaging in patients with stage I small cell lung cancer
Vencalek et al. When less is more: a simple predictive model for repeated prostate biopsy outcomes
Gal et al. Computerized tomography criteria as a tool for simplifying the assessment of locally advanced rectal cancer

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right