論文の概要: Predicting the risk of pancreatic cancer with a CT-based ensemble AI
algorithm
- arxiv url: http://arxiv.org/abs/2004.01388v1
- Date: Fri, 3 Apr 2020 06:06:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 05:12:03.594441
- Title: Predicting the risk of pancreatic cancer with a CT-based ensemble AI
algorithm
- Title(参考訳): CTを用いたアンサンブルAIアルゴリズムによる膵癌のリスク予測
- Authors: Chenjie Zhou MD, Jianhua Ma Ph.D, Xiaoping Xu MD, Lei Feng MD,
Adilijiang Yimamu MD, Xianlong Wang MD, Zhiming Li MD, Jianhua Mo MS,
Chengyan Huang MS, Dexia Kong MS, Yi Gao MD, Shulong Li Ph.D
- Abstract要約: 膵癌は致死性疾患であり、診断が困難であり、予後不良と死亡率が高い。
非造影CTによるあらゆる膵病変の普遍的癌リスクを予測するために,アンサンブルAIアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objectives: Pancreatic cancer is a lethal disease, hard to diagnose and
usually results in poor prognosis and high mortality. Developing an artificial
intelligence (AI) algorithm to accurately and universally predict the early
cancer risk of all kinds of pancreatic cancer is extremely important. We
propose an ensemble AI algorithm to predict universally cancer risk of all
kinds of pancreatic lesions with noncontrast CT. Methods: Our algorithm
combines the radiomics method and a support tensor machine (STM) by the
evidence reasoning (ER) technique to construct a binary classifier, called
RadSTM-ER. RadSTM-ER takes advantage of the handcrafted features used in
radiomics and learning features learned automatically by the STM from the CTs
for presenting better characteristics of lesions. The patient cohort consisted
of 135 patients with pathological diagnosis results where 97 patients had
malignant lesions. Twenty-seven patients were randomly selected as independent
test samples, and the remaining patients were used in a 5-fold cross validation
experiment to confirm the hyperparameters, select optimal handcrafted features
and train the model. Results: RadSTM-ER achieved independent test results: an
area under the receiver operating characteristic curve of 0.8951, an accuracy
of 85.19%, a sensitivity of 88.89%, a specificity of 77.78%, a positive
predictive value of 88.89% and a negative predictive value of 77.78%.
Conclusions: These results are better than the diagnostic performance of the
five experimental radiologists, four conventional AI algorithms, which
initially demonstrate the potential of noncontrast CT-based RadSTM-ER in cancer
risk prediction for all kinds of pancreatic lesions.
- Abstract(参考訳): 目的:膵癌は致死性疾患であり、診断が困難であり、通常は予後不良や死亡率が高い。
あらゆる種類の膵癌の早期がんリスクを正確かつ普遍的に予測する人工知能(AI)アルゴリズムの開発は非常に重要である。
非造影CTによるあらゆる膵病変の普遍的癌リスクを予測するためのアンサンブルAIアルゴリズムを提案する。
方法: このアルゴリズムは,RadSTM-ERと呼ばれるバイナリ分類器を構築するためのエビデンス推論(ER)技術を用いて,放射能法と支持テンソルマシン(STM)を組み合わせる。
RadSTM-ERは、CTからSTMによって自動的に学習された放射線学や学習の特徴を利用して、病変のより良い特徴を示す。
病理診断は135例で,97例は悪性病変であった。
被験者27名を無作為に無作為に選抜し, 残りの患者は5倍のクロス検証実験を行い, ハイパーパラメータの確認, 最適な手作り特徴の選択, モデルの訓練を行った。
結果: RadSTM-ER は、受信機の動作特性曲線 0.8951、精度 85.19%、感度 88.89%、特異性 77.78%、正の予測値 88.89%、負の予測値 77.78% という独立した試験結果を得た。
結論: これらの結果は, 膵病変の癌リスク予測において, 非コントラストCTベースのRadSTM-ERの可能性を示す従来の4つのAIアルゴリズムである5つの実験放射線技師の診断成績よりも優れている。
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) - Clinical Melanoma Diagnosis with Artificial Intelligence: Insights from
a Prospective Multicenter Study [1.2397589403129072]
AIはメラノーマの検出を強化するのに役立つことが証明されている。
現存する研究は、サンプルサイズが低いこと、同質なデータセットが多すぎること、希少なメラノーマ亜型の欠如によって制限されている。
メラノーマの診断精度と皮膚科医の診断精度を比較検討し, 確立されたメラノーマ検出用オープンソースアルゴリズムである「All Data is Ext」(ADAE)を評価した。
論文 参考訳(メタデータ) (2024-01-25T14:03:54Z) - CancerUniT: Towards a Single Unified Model for Effective Detection,
Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection
of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。
ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。
CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文 参考訳(メタデータ) (2023-01-28T20:09:34Z) - A Novel Implementation of Machine Learning for the Efficient,
Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。
提案したモデルは0.927の総合精度と0.958の感度を得た。
論文 参考訳(メタデータ) (2022-06-15T18:35:22Z) - Interpretability methods of machine learning algorithms with
applications in breast cancer diagnosis [1.1470070927586016]
我々は,グローバルサロゲート(GS)法,個人期待(ICE)プロット,条件シェープ値(SV)などの解釈可能性技術を用いた。
乳がん診断における最良の成績は,提案したERN(精度96.6%,ROC曲線0.96)により得られた。
論文 参考訳(メタデータ) (2022-02-04T13:41:30Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳(メタデータ) (2021-02-10T15:10:37Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳(メタデータ) (2020-10-29T19:14:41Z) - Deep Learning-based Computational Pathology Predicts Origins for Cancers
of Unknown Primary [2.645435564532842]
原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。
最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。
深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-24T17:59:36Z) - Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community
Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。
特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。
我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文 参考訳(メタデータ) (2020-05-06T09:56:51Z) - Segmentation for Classification of Screening Pancreatic Neuroendocrine
Tumors [72.65802386845002]
本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。
我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。
我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
論文 参考訳(メタデータ) (2020-04-04T21:21:44Z)
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。