Fugu-MT 論文翻訳(概要): An AI-powered blood test to detect cancer using nanoDSF

論文の概要: An AI-powered blood test to detect cancer using nanoDSF

arxiv url: http://arxiv.org/abs/2008.03493v1
Date: Sat, 8 Aug 2020 11:20:53 GMT
ステータス: 処理完了
システム内更新日: 2022-11-01 12:21:26.479559
Title: An AI-powered blood test to detect cancer using nanoDSF
Title（参考訳）: ナノDSFによるがん検出のためのAIによる血液検査
Authors: Philipp O. Tsvetkov, R\'emi Eyraud, St\'ephane Ayache, Anton A. Bougaev, Soazig Malesinski, Hamed Benazha, Svetlana Gorokhova, Christophe Buffat, Caroline Dehais, Marc Sanson, Franck Bielle, Dominique Figarella-Branger, Olivier Chinot, Emeline Tabouret, Fran\c{c}ois Devred
Abstract要約: その結果,84例のグリオーマ患者と63例の健常者は,92%の精度で機械学習アルゴリズムを用いて,変性プロファイルを用いて自動的に分類できることがわかった。提案された高スループットワークフローは、任意の種類のがんに適用することができ、単純な血液検査から強力な膵臓診断およびモニタリングツールになる可能性がある。
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: We describe a novel cancer diagnostic method based on plasma denaturation profiles obtained by a non-conventional use of Differential Scanning Fluorimetry. We show that 84 glioma patients and 63 healthy controls can be automatically classified using denaturation profiles with the help of machine learning algorithms with 92% accuracy. Proposed high throughput workflow can be applied to any type of cancer and could become a powerful pan-cancer diagnostic and monitoring tool from a simple blood test.
Abstract（参考訳）: 微分走査型蛍光計の非従来的使用により得られた血漿変性プロファイルに基づく新しいがん診断法について述べる。グリオーマ患者84名と健康管理63名が,92%の精度で機械学習アルゴリズムを用いて変性プロファイルを用いて自動的に分類できることを示した。提案された高スループットワークフローは、任意の種類のがんに適用することができ、単純な血液検査から強力な膵臓診断およびモニタリングツールになる可能性がある。

関連論文リスト

Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文参考訳（メタデータ） (2024-05-23T07:03:38Z)
Cluster-Induced Mask Transformers for Effective Opportunistic Gastric Cancer Screening on Non-contrast CT Scans [38.46196471197819]
世界第3位の死因は胃癌である。既存の方法は侵襲的であり、高価であり、早期胃癌を特定する感度が欠如している。マルチタスク方式で腫瘍を共同分割し異常を分類する新規なクラスタ誘導型マスクトランスを提案する。
論文参考訳（メタデータ） (2023-07-10T12:49:36Z)
Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文参考訳（メタデータ） (2023-03-23T18:50:18Z)
Improving Precancerous Case Characterization via Transformer-based Ensemble Learning [31.891340667123124]
自然言語処理のがん病理学報告への応用は、がん症例の検出に焦点が当てられている。先天性腺腫のキャラクタリゼーションの改善は、早期がんの検出と予防のための診断試験の開発を支援する。以上の結果から,NLPを用いて早期がん予防のための診断試験の開発を促進できる可能性が示唆された。
論文参考訳（メタデータ） (2022-12-10T00:06:28Z)
Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文参考訳（メタデータ） (2022-02-17T08:33:52Z)
Machine Intelligence-Driven Classification of Cancer Patients-Derived Extracellular Vesicles using Fluorescence Correlation Spectroscopy: Results from a Pilot Study [0.0]
我々は、がん患者血液由来のEVを時間分解分光法と人工知能に結合させることで、がんスクリーニングと追跡ツールを堅牢に提供できると予測した。我々のパイロット研究は、AIアルゴリズムと時間分解型FCSパワースペクトルが、異なるがんサンプルから複雑な患者由来EVを正確に、微分的に分類できることを実証した。
論文参考訳（メタデータ） (2022-02-01T15:46:36Z)
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)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
Lung Cancer Diagnosis Using Deep Attention Based on Multiple Instance Learning and Radiomics [13.028105771052376]
肺癌の診断をmil(multiple instance learning)問題として扱うことで,臨床における診断過程をよりよく反映する。分類アルゴリズムとして、放射能を入力特徴の源と深い注意に基づくMILを選択しました。その結果,平均(SEM)が0.069の標準誤差,0.870(SEM 0.061)のリコール,0.928(SEM 0.078)の正の予測値,0.591(SEM 0.155)の負の予測値,0.842(AUC)の曲線下領域で0.807の平均精度が得られた。
論文参考訳（メタデータ） (2021-04-29T21:04:02Z)
Noncoding RNAs and deep learning neural network discriminate multi-cancer types [0.0]
我々は,すべてのがんタイプを分類する包括的検出システムを開発した。 ROC 96.3% の AUC (Area Under Curve of a Receiver Operating Characteristics curve) で癌と健康な対象を正確に検出できる。包括的マーカーパネルは、異質ながん組織および状態において、安定して78%の精度で全ての一般的ながんを同時に多重分類することができる。
論文参考訳（メタデータ） (2021-03-01T18:20:45Z)
Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文参考訳（メタデータ） (2020-11-22T17:31:23Z)

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。