論文の概要: A deep learning-facilitated radiomics solution for the prediction of
lung lesion shrinkage in non-small cell lung cancer trials
- arxiv url: http://arxiv.org/abs/2003.02943v1
- Date: Thu, 5 Mar 2020 21:49:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 07:25:43.266726
- Title: A deep learning-facilitated radiomics solution for the prediction of
lung lesion shrinkage in non-small cell lung cancer trials
- Title（参考訳）: 非小細胞肺癌における肺病変縮小予測のための深層学習型放射線治療法
- Authors: Antong Chen, Jennifer Saouaf, Bo Zhou, Randolph Crawford, Jianda Yuan,
Junshui Ma, Richard Baumgartner, Shubing Wang, Gregory Goldmacher
- Abstract要約: 非小細胞肺癌患者のCT画像から抽出した放射線学的特徴に基づく深層学習による肺病変反応の予測手法を提案する。
トレーニングセット上の5倍のクロス検証の結果、AUCは0.84 +/- 0.03となり、テストデータセットの予測は30%の直径縮小の結果、AUCは0.73 +/- 0.02に達した。
- 参考スコア（独自算出の注目度）: 2.929792935431798
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Herein we propose a deep learning-based approach for the prediction of lung
lesion response based on radiomic features extracted from clinical CT scans of
patients in non-small cell lung cancer trials. The approach starts with the
classification of lung lesions from the set of primary and metastatic lesions
at various anatomic locations. Focusing on the lung lesions, we perform
automatic segmentation to extract their 3D volumes. Radiomic features are then
extracted from the lesion on the pre-treatment scan and the first follow-up
scan to predict which lesions will shrink at least 30% in diameter during
treatment (either Pembrolizumab or combinations of chemotherapy and
Pembrolizumab), which is defined as a partial response by the Response
Evaluation Criteria In Solid Tumors (RECIST) guidelines. A 5-fold cross
validation on the training set led to an AUC of 0.84 +/- 0.03, and the
prediction on the testing dataset reached AUC of 0.73 +/- 0.02 for the outcome
of 30% diameter shrinkage.
- Abstract（参考訳）: 本稿では,非小細胞肺癌症例のct画像から抽出した放射線学的特徴に基づく肺病変反応予測のための深層学習に基づくアプローチを提案する。
アプローチは、様々な解剖学的位置にある原発巣と転移巣のセットから肺病変の分類から始まる。
肺病変を中心に,3Dボリュームを抽出する自動セグメンテーションを行った。
その後、放射線学的特徴を前処置スキャンの病変から抽出し、治療中にどの病変が少なくとも30%の径で縮小するかを予測する最初のフォローアップスキャン(Pembrolizumabまたは化学療法とPembrolizumabの組み合わせ)が、Re Response Evaluation Criteria In Solid tumors (RECIST)ガイドラインによって部分的応答として定義される。
トレーニングセット上の5倍のクロス検証の結果、AUCは0.84 +/- 0.03となり、テストデータセットの予測は30%の直径縮小の結果、AUCは0.73 +/- 0.02に達した。
関連論文リスト
- EXACT-Net:EHR-guided lung tumor auto-segmentation for non-small cell lung cancer radiotherapy [7.531407604292937]
非小細胞肺癌(NSCLC)患者の60%以上が放射線治療を必要とする。
当院で治療した10例のNSCLCデータを用いて結節検出が250%向上した。
論文 参考訳（メタデータ） (2024-02-21T19:49:12Z) - Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma
Chemoradiotherapy using Planning CT-based Radiomics Model [5.485361086613949]
非転移性肛門扁平上皮癌(SCC)患者の約30%が化学療法後の再発を経験する
我々は,放射線前処置計画CTから抽出した情報を利用して,CRT後のSCC患者における再発無生存(RFS)を予測するモデルを開発した。
論文 参考訳（メタデータ） (2023-09-05T20:22:26Z) - Comparing 3D deformations between longitudinal daily CBCT acquisitions
using CNN for head and neck radiotherapy toxicity prediction [1.8406176502821678]
本研究の目的は,頭頸部癌に対する放射線治療中に毎日取得したCBCTの臨床的意義を明らかにすることである。
平面CTと長手CBCTの変形のヤコビ行列を解析する成分を含む変形可能な3次元分類パイプラインを提案する。
論文 参考訳（メタデータ） (2023-03-07T15:07:43Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Deep Learning Derived Histopathology Image Score for Increasing Phase 3
Clinical Trial Probability of Success [0.462316736194615]
第3相臨床試験の失敗は、腫瘍学における薬物開発コストの上昇に寄与する。
我々は, 深層学習によるデジタル病理検査を用いて, 応答者を同定した。
論文 参考訳（メタデータ） (2020-11-10T21:26:13Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Lung Infection Quantification of COVID-19 in CT Images with Deep
Learning [41.35413216175024]
深層学習システムは、関心のある感染症領域を自動的に定量化するために開発された。
感染領域分割のための放射線科医を支援するためのループ内ヒト戦略
論文 参考訳（メタデータ） (2020-03-10T11:58:40Z)
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。