Даваа–Баасан 08:30–20:00 · Бямба 09:00–16:00
library@mnums.edu.mn
/

Л.Оюунболд

Loading...
Thumbnail Image
Товч нэр
Л.Оюунболд
Бүтэн нэр
Ламид-Очир Оюунболд
Латин нэр
Lamid-Ochir Oyunbold
Албан тушаал
Багш
Харьяалал
ORCID
Scopus Author ID

Settings

Now showing 1 - 4 of 4
  • Loading...
    Thumbnail Image
    Some of the metrics are blocked by your 
    consent settings
    Item type:Publication,
  • Loading...
    Thumbnail Image
    Some of the metrics are blocked by your 
    consent settings
    Item type:Publication,
    CT-Based Radiomics Combined with Deep Learning for Preoperative Differentiation of Clear Cell and Non–Clear Cell Renal Cell Carcinoma: Internal and External Validation Study
    (Mongolian National University of Medical Sciences, 2026-05-28)
    Enkhbold Sereejav
    ;
    Purevdorj Otgonbayar
    ;
    Telmen Khuvituguldur
    ;
    Sodgerel Bold
    ;
    Shiirevnyamba Avirmed
    Objective: Accurate preoperative differentiation of renal cell carcinoma (RCC) subtypes remains challenging with conventional computed tomography (CT) owing to overlapping features. This study evaluated CT-based radiomics combined with deep learning for differentiation of clear cell RCC (ccRCC) from non–clear cell RCC (non-ccRCC), using internal and external validation. Methods: This retrospective, single-center study included an internal cohort of 121 patients with histopathologically confirmed RCC (84 ccRCC, 37 non-ccRCC) and an independent external cohort of 73 patients. All underwent preoperative multiphasic contrast-enhanced CT (128-slice Ingenuity). Corticomedullary-phase tumors were segmented in 3D Slicer by two radiologists; inter-observer reliability used the intraclass correlation coefficient (ICC). In total, 122 radiomic features were extracted (first-order, GLCM, GLRLM, GLSZM, GLDM, shape). Least absolute shrinkage and selection operator (LASSO) regression selected features for a deep learning–based classification model. Diagnostic efficacy was assessed by receiver operating characteristic (ROC) curve analysis. Results: Inter-observer agreement was excellent (ICC = 0.91; 95% CI, 0.87–0.94). In the internal cohort, the model achieved an area under the curve (AUC) of 0.92, sensitivity 83.3%, specificity 92.3%, and accuracy 86.0%. GLRLM features were most discriminative (AUC = 0.91, p < .001), followed by first-order uniformity (AUC = 0.88) and variance (AUC = 0.86). In the external cohort, performance remained robust (AUC = 0.86, sensitivity 82.0%, specificity 80.0%, accuracy 80.8%), confirming generalizability. Conclusion: CT-based radiomics combined with deep learning demonstrates high diagnostic performance for differentiating ccRCC from non-ccRCC, generalizing across internal and external datasets. This non-invasive approach may serve as a valuable imaging biomarker supporting clinical decision-making and personalized treatment planning.
  • Loading...
    Thumbnail Image
    Some of the metrics are blocked by your 
    consent settings
    Item type:Publication,
    Бөөрний эсийн өмөнгийн хэв шинжүүдийгкомпьютерт томографид суурилсан радиомикшинжилгээгээр хагалгааны өмнө ялган оношлох асуудалд
    (2026-05-22)
    С.Энхболд
    ;
    О.Пүрэвдорж
    ;
    Х.Тэлмэн
    ;
    Б.Содгэрэл
    ;
    А.Шийрэвнямба
    Үндэслэл: Бөөрний эсийн өмөн (БЭӨ) нь насанд хүрэгсдийн бөөрний бүх хавдрын 85–90%-ийг, нийт хавдрын 1–3%-ийг тус тус эзэлдэг ба сүүлийн жилүүдэд тохиолдлын тоо жилд жил тогтмол нэмэгдэж байна. Тунгалаг эст (ccRCC), хөхлөгт (pRCC), хромофоб (chRCC) зэрэг дэд хэв шинжүүд нь генийн мутаци, биологийн онцлог болон эмчилгээний хариу үйлдлийн хувьд мэдэгдэхүйц ялгаатай байдаг тул хагалгааны өмнөх хэв шинжийн тодорхойлох нь эмнэлзүйд чухал ач холбогдолтой юм. Уламжлалт КТ-ийн харааны аргаар үнэлэх нь хязгаарлагдмал ба тодосгогчтой КТ-д суурилсан радиомик шинжилгээ шинэ оношилгооны аргачлал байж болох юм. Зорилго: Тодосгогчтой КТ-д суурилсан радиомик шинжилгээний тусламжтайгаар БЭӨ-ийн ccRCC болон non-ccRCC дэд хэв шинжүүдийг хагалгааны өмнөх шатанд ялган оношлох загварыг боловсруулж, дотоод болон гадаад баталгаажилтаар оношилгооны чадамжийг үнэлэх. Арга, аргачлал: Бид энэхүү судалгааг 2021–2024 оны хооронд УНТЭ-ийн Урологи-Андрологийн төвд БЭӨ оношлогдсон, эмгэг судлалаар батлагдсан 121 өвчтөнд хийж гүйцэтгэв. Судалгаанд оролцогчдыг ccRCC (n=84) болон non-ccRCC (n=37) гэсэн хоёр бүлэгт хуваасан. КТ-ийн кортикомедуляр фазын зурагт 3D Slicer программаар хавдрын хэсгийг тодорхойлж, нийт 122 радиомик шинжийг гарган авав. Үүнд first-order uniformity, GLCM (саарал шатлалын хамтааллын матриц), GLRLM (саарал шатлалын run-length матриц), хэлбэрийн flatness болон GLCM maximum probability зэрэг параметрүүдийг багтаав. Оношилгооны чадамжийг ROC шинжилгээгээр, загварын тогтвортой байдлыг гадаад баталгаажилтаар (n=73) үнэллээ. Үр дүн: GLRLM параметр нь ccRCC (дундаж 0.1230) болон non-ccRCC (дундаж 0.0170) бүлгүүдийн хооронд статистик ач холбогдол бүхий ялгааг харуулсан (p<0.001). ROC шинжилгээгээр GLRLM-ийн хязгаарын утга 0.1493, дотоод баталгаажилтын AUC 0.9103, мэдрэг чанар 83.3%, өвөрмөц чанар 92.3% байв (p<0.01). Гадаад баталгаажилтад (n=73) AUC 0.860, нарийвчлал 86.0% байсан нь загварын ерөнхийлөх чадамжийг нотолж байна. First-order uniformity (AUC=0.880) болон variance (AUC=0.862) параметрүүд GLRLM-тэй ойролцоо чадамжтай байсан бол flatness (AUC=0.584), GLCM (Imc2, AUC=0.621) зэрэг параметрүүд ялган оношлох үнэлэмж харьцангуй бага байв. Confusion matrix-ийн дотоод баталгаажилтад нарийвчлал 86.0%, гадаад баталгаажилтад 86.0% байв. Дүгнэлт: Инвазив бус КТ-д суурилсан радиомик шинжилгээ нь БЭӨийн хэв шинжүүдийг хагалгааны өмнөх шатанд өндөр нарийвчлалтай (AUC=0.92) ялган оношлох чадамжтай болохыг дотоод болон гадаад баталгаажилтаар харуулж байна.
  • Loading...
    Thumbnail Image
    Some of the metrics are blocked by your 
    consent settings
    Item type:Publication,
    Уушгины архаг бөглөрөлт өвчний эмфиземийн өөрчлөлтийг хиймэл оюун ухаан ашиглан судалсан зарим үр дүн
    (2024-11-07)
    Г.Нинжбадгар
    ;
    Б.Баярбаатар2.
    ;
    О.Пүрэвдорж
    ;
    Б.Чулуун-Эрдэнэ
    ;
    М.Энхтуяа
    Үндэслэл: Уушгины архаг бөглөрөлт өвчин (УАБӨ) нь дэлхий дахинд нас баралтын зонхилох шалтгаануудын нэг болж байгаа бөгөөд жилд дунджаар 3.3 сая гаруй хүн энэхүү өвчний улмаас нас бардаг байна. Сүүлийн үеийн дүрс оношилгооны дэвшилтэт арга болох өндөр нарийвчлалттай компьютер томограф (HRCT)-иар нь уушгины паренхими болон агаар дамжуулах замын бүтцийг нарийвчлан дүрслэн, эмфизем болон бусад бүтцийн өөрчлөлтүүдийг тодорхойлон, хамрах хүрээ, тархалтуудыг нарийвчлан судалж байгаа улс орнууд цөөнгүй байна. Харин эдгээр дэвшилтэт технологиудыг ашиглан УАБӨ-ийг нарийвчлан судалсан судалгааны ажил ховор байгаа нь энэхүү судалгааны ажлыг хийх үндэслэл боллоо. Зорилго: Уушгины архаг бөглөрөлт өвчтөнүүдийн (УАБӨ) уушгины эдийн эмфиземийн өөрчлөлтийг 3D компьютерт томографаар (КТГ), амьсгалын үйл ажиллагаа болон эмнэлзүйн үзүүлэлтүүдтэй харьцуулан судлах. Арга, аргачлал: Судалгааг ретроспектив судалгааны загвараар 2021 оны 06 дугаар сараас 2024 оны 07 дугаар сарын хооронд Улсын нэгдүгээр төв эмнэлгийн Уушги-Харшил судлалын төвд ICD10-J44 оношоор хэвтэн эмчлүүлсэн 778 өвчтөний түүхээс 2 үе шат бүхий судалгаанд хамруулах болох хасах шалгуурыг баримтлан 125 өвчтөний КТ-ын зурагт тоон шинжилгээний хэмжилтүүдийг 3D Slicer 5.0.3 программ ашиглан хийж гүйцэтгэв. Үр дүн: Судалгаанд УАБӨ-тэй 125 эмчлүүлэгч хамрагдсанаас хүйсийн хувьд авч үзвэл эрэгтэй 100 (80%), эмэгтэй 25 (20%) байсан бөгөөд дундаж нас нь 68.12±10.55 (41-90 нас) жил байв. Биеийн жингийн индекс (BMI) нь 25.6±5.6 кг\м2, тамхи татсан хугацаа нь дунджаар 34.0±22.04 жил, эдгээрийн 97 (77.6%) нь идэвхтэй тамхи татдаг болох нь тус тус тодорхойлогдлоо. Тамхи татсан жилээр бүлэглэж харьцуулалт хийхэд TLE%-тай шууд хамааралтай байсан нь тамхи татах жил нэмэгдэх тусам TLE% жилд 0.1%-иар нэмэгдэж болох үр дүн гарсан нь статистикийн хувьд ач холбогдолтой болох нь тус тус тодорхойлогдлоо (p=0.006). Дүгнэлт: УАБӨ-ийг илүү нарийвчлалтай оношлоход тоон 3D КТ шинжилгээ нь уушгины эмфиземийн өөрчлөлтийг үр дүнтэй үнэлж, УАБӨ-ий хяналт, эмнэлзүйн удирдамжид хэрэглэх нь спирометр, эмнэлзүйн бусад үзүүлэлтүүдийг дангаар хэрэглэхээс илүү оношилгооны ач холбогдолтой гэж үзэж байна.