論文の概要: Multimodal fusion of imaging and genomics for lung cancer recurrence prediction

• arxiv url: http://arxiv.org/abs/2002.01982v1
• Date: Wed, 5 Feb 2020 20:32:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 22:05:14.602245
• Title: Multimodal fusion of imaging and genomics for lung cancer recurrence prediction
• Title（参考訳）: 肺癌再発予測のための画像とゲノムのマルチモーダル融合
• Authors: Vaishnavi Subramanian, Minh N. Do, Tanveer Syeda-Mahmood
• Abstract要約: 肺癌は早期に再発率が高い。 線形コックス比例ハザードモデルを用いて, 弾性ネット正則化による再発予測の改善を実証した。
• 参考スコア（独自算出の注目度）: 11.577999113548973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lung cancer has a high rate of recurrence in early-stage patients. Predicting the post-surgical recurrence in lung cancer patients has traditionally been approached using single modality information of genomics or radiology images. We investigate the potential of multimodal fusion for this task. By combining computed tomography (CT) images and genomics, we demonstrate improved prediction of recurrence using linear Cox proportional hazards models with elastic net regularization. We work on a recent non-small cell lung cancer (NSCLC) radiogenomics dataset of 130 patients and observe an increase in concordance-index values of up to 10%. Employing non-linear methods from the neural network literature, such as multi-layer perceptrons and visual-question answering fusion modules, did not improve performance consistently. This indicates the need for larger multimodal datasets and fusion techniques better adapted to this biological setting.
• Abstract（参考訳）: 早期の肺癌は再発率が高い。 肺癌患者の術後再発の予測は伝統的にゲノム画像や放射線画像の単一のモダリティ情報を用いて行われている。 本課題におけるマルチモーダル融合の可能性について検討する。 また,ct画像とゲノミクスを組み合わせることで,線形cox比例ハザードモデルと弾性ネットの正則化による再発予測が向上することを示した。 我々は,130例の非小細胞肺癌(NSCLC)放射線ゲノミクスデータセットについて検討し,一致指数値の10%までの増加を観察した。 マルチ層パーセプトロンやビジュアルクエクション応答融合モジュールなど、ニューラルネットワークの文献から非線形メソッドを採用することは、パフォーマンスを一貫して改善することはなかった。 これは、より大規模なマルチモーダルデータセットと融合技術が必要であることを示している。

関連論文リスト

• Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification [7.002657345547741]
  非小細胞肺癌(NSCLC)は、世界中のがん死亡の主な原因である。 本稿では, 融合医療画像(CT, PET)と臨床健康記録, ゲノムデータとを合成する, マルチモーダルデータの革新的な統合について紹介する。 NSCLCの検出と分類精度の大幅な向上により,本研究は既存のアプローチを超越している。
  論文  参考訳（メタデータ） (2024-09-27T12:59:29Z)
• Improving Lung Cancer Diagnosis and Survival Prediction with Deep Learning and CT Imaging [12.276877277186284]
  肺癌は主要ながん関連死亡例であり、早期診断と治療は患者の生存率の向上に不可欠である。 肺がんのリスクと肺のリスクとの間に得られるネットワークの神経畳み込みネットワークをCT実験に応用することを提案する。 以上の結果から, 肺がん発生リスクと肺がん発生リスクの予測に, ミニバッチド・ロスとバイナリ・クロスエントロピーが有効であったことが示唆された。
  論文  参考訳（メタデータ） (2024-08-18T05:45:08Z)
• MMFusion: Multi-modality Diffusion Model for Lymph Node Metastasis Diagnosis in Esophageal Cancer [13.74067035373274]
  CT画像に基づくリンパ節転移診断のためのマルチモーダルな不均一グラフに基づく条件付き特徴誘導拡散モデルを提案する。 本稿では, 悪性腫瘍とリンパ節像の関連性, 優先性を明らかにすることを目的として, マスク付き関係表現学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-15T17:52:00Z)
• Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
  胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。 医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。 本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T21:47:13Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• RadioPathomics: Multimodal Learning in Non-Small Cell Lung Cancer for Adaptive Radiotherapy [1.8161758803237067]
  非小細胞肺癌に対する放射線治療成績を予測するため, マルチモーダルレイトフュージョン法を開発した。 実験により、AUCが90.9%ドルと同等のマルチモーダルパラダイムが、各ユニモーダルアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2022-04-26T16:32:52Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。