論文の概要: Deep learning-based prediction of response to HER2-targeted neoadjuvant
chemotherapy from pre-treatment dynamic breast MRI: A multi-institutional
validation study
- arxiv url: http://arxiv.org/abs/2001.08570v1
- Date: Wed, 22 Jan 2020 17:54:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 17:55:22.962469
- Title: Deep learning-based prediction of response to HER2-targeted neoadjuvant
chemotherapy from pre-treatment dynamic breast MRI: A multi-institutional
validation study
- Title(参考訳): HER2を標的とした術前ダイナミック乳房MRIによるネオアジュバント化学療法反応の深層学習による予測
- Authors: Nathaniel Braman, Mohammed El Adoui, Manasa Vulchi, Paulette Turk,
Maryam Etesami, Pingfu Fu, Kaustav Bera, Stylianos Drisis, Vinay Varadan,
Donna Plecha, Mohammed Benjelloun, Jame Abraham, Anant Madabhushi
- Abstract要約: 乳がんにおけるネオアジュバント療法の適応予測は, 重篤な課題である。
ディープラーニングは、乳がんの標的治療をガイドするための、効果的で信頼性の高いツールを提供する。
- 参考スコア(独自算出の注目度): 0.5149010213385097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting response to neoadjuvant therapy is a vexing challenge in breast
cancer. In this study, we evaluate the ability of deep learning to predict
response to HER2-targeted neo-adjuvant chemotherapy (NAC) from pre-treatment
dynamic contrast-enhanced (DCE) MRI acquired prior to treatment. In a
retrospective study encompassing DCE-MRI data from a total of 157 HER2+ breast
cancer patients from 5 institutions, we developed and validated a deep learning
approach for predicting pathological complete response (pCR) to HER2-targeted
NAC prior to treatment. 100 patients who received HER2-targeted neoadjuvant
chemotherapy at a single institution were used to train (n=85) and tune (n=15)
a convolutional neural network (CNN) to predict pCR. A multi-input CNN
leveraging both pre-contrast and late post-contrast DCE-MRI acquisitions was
identified to achieve optimal response prediction within the validation set
(AUC=0.93). This model was then tested on two independent testing cohorts with
pre-treatment DCE-MRI data. It achieved strong performance in a 28 patient
testing set from a second institution (AUC=0.85, 95% CI 0.67-1.0, p=.0008) and
a 29 patient multicenter trial including data from 3 additional institutions
(AUC=0.77, 95% CI 0.58-0.97, p=0.006). Deep learning-based response prediction
model was found to exceed a multivariable model incorporating predictive
clinical variables (AUC < .65 in testing cohorts) and a model of
semi-quantitative DCE-MRI pharmacokinetic measurements (AUC < .60 in testing
cohorts). The results presented in this work across multiple sites suggest that
with further validation deep learning could provide an effective and reliable
tool to guide targeted therapy in breast cancer, thus reducing overtreatment
among HER2+ patients.
- Abstract(参考訳): 乳がんにおけるネオアジュバント療法の適応予測は, 重篤な課題である。
本研究では,HER2標的型ネオアジュバント化学療法(NAC)に対する深層学習の有用性について,治療前に取得したダイナミックコントラスト強調(DCE)MRIを用いて検討した。
5施設157例のHER2+乳癌患者のDCE-MRIデータを含む振り返り調査において,HER2ターゲットNACに対する病理学的完全反応(pCR)を予測するための深層学習手法を開発した。
1施設でHER2標的のネオアジュバント化学療法を受けた100例は、pCRを予測するために(n=85)、(n=15)畳み込みニューラルネットワーク(CNN)を訓練した。
前コントラストと後コントラストDCE-MRIを併用したマルチインプットCNNを同定し、検証セット内で最適な応答予測を実現する(AUC=0.93)。
このモデルは、DCE-MRIデータを用いた2つの独立したテストコホートで試験された。
第2の機関(auc=0.85, 95% ci 0.67-1.0, p=.0008)からの28の患者試験と、3つの追加機関(auc=0.77, 95% ci 0.58-0.97, p=0.006)のデータを含む29の患者多施設試験において、強力な性能を得た。
深層学習に基づく反応予測モデルは、予測的臨床変数(テストコホートではAUC < .65)と半定量的DCE-MRI薬物動態測定(テストコホートではAUC < .60)を組み込んだ多変量モデルを超えた。
以上の結果から, 深層学習のさらなる検証により, 乳癌に対する標的治療を指導し, HER2+患者に対する過剰治療を軽減できる可能性が示唆された。
関連論文リスト
- Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach
Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。
提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
論文 参考訳(メタデータ) (2024-01-28T23:33:56Z) - Neural Network-Based Histologic Remission Prediction In Ulcerative
Colitis [38.150634108667774]
潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解
内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。
本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2023-08-28T15:54:14Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳(メタデータ) (2022-11-10T03:02:12Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳(メタデータ) (2022-11-08T11:50:31Z) - PD-DWI: Predicting response to neoadjuvant chemotherapy in invasive
breast cancer with Physiologically-Decomposed Diffusion-Weighted MRI
machine-learning model [0.0]
DWIと臨床データからpCRを予測するための生理学的に分解されたDWI機械学習モデルPD-DWIを紹介する。
我々のモデルは、現在のリーダーボードの最良の結果と比較して、曲線下(AUC)の面積を大幅に改善します。
論文 参考訳(メタデータ) (2022-06-12T08:59:49Z) - Machine Learning for Real-World Evidence Analysis of COVID-19
Pharmacotherapy [0.0]
臨床から生成された実世界のデータは、新型コロナウイルスの薬物療法の実際の証拠を分析するために使用できる。
機械学習(ML)メソッドが使われており、精密医療のための有望なツールである。
本研究では,スペインバレンシア州における新型コロナウイルスの入院に対する治療法の有効性を検討するために,ML法を適用した。
論文 参考訳(メタデータ) (2021-07-19T16:28:54Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T21:47:28Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z) - Predicting Clinical Outcomes in COVID-19 using Radiomics and Deep
Learning on Chest Radiographs: A Multi-Institutional Study [3.3839341058136054]
新型コロナウイルス感染症(COVID-19)患者の胸部X線写真(CXR)の計算モデルを用いて,機械的換気要件と死亡率を予測する。
2020年3月から8月にかけて、Stony Brook大学病院とNewark Beth Israel Medical Centerで治療された新型コロナウイルス患者530種のCXRを解析した。
論文 参考訳(メタデータ) (2020-07-15T22:48:11Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。