論文の概要: Deep Learning Predicts Cardiovascular Disease Risks from Lung Cancer Screening Low Dose Computed Tomography

• arxiv url: http://arxiv.org/abs/2008.06997v2
• Date: Mon, 29 Mar 2021 15:15:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 11:57:17.568834
• Title: Deep Learning Predicts Cardiovascular Disease Risks from Lung Cancer Screening Low Dose Computed Tomography
• Title（参考訳）: 深層学習は肺がん検診の低線量ctから心血管疾患のリスクを予測する
• Authors: Hanqing Chao, Hongming Shan, Fatemeh Homayounieh, Ramandeep Singh, Ruhani Doda Khera, Hengtao Guo, Timothy Su, Ge Wang, Mannudeep K. Kalra, Pingkun Yan
• Abstract要約: がん患者は一般人口よりも心血管疾患(CVD)の死亡リスクが高い。 肺がんスクリーニングのためのLDCTは、リスクの高い患者のCVDリスクを同時に推定する機会を提供する。 深層学習は、肺がんスクリーニングのためのLDCTを、CVDリスク推定のための二重スクリーニング定量的ツールに変換することができる。
• 参考スコア（独自算出の注目度）: 23.614559487371935
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer patients have a higher risk of cardiovascular disease (CVD) mortality than the general population. Low dose computed tomography (LDCT) for lung cancer screening offers an opportunity for simultaneous CVD risk estimation in at-risk patients. Our deep learning CVD risk prediction model, trained with 30,286 LDCTs from the National Lung Cancer Screening Trial, achieved an area under the curve (AUC) of 0.871 on a separate test set of 2,085 subjects and identified patients with high CVD mortality risks (AUC of 0.768). We validated our model against ECG-gated cardiac CT based markers, including coronary artery calcification (CAC) score, CAD-RADS score, and MESA 10-year risk score from an independent dataset of 335 subjects. Our work shows that, in high-risk patients, deep learning can convert LDCT for lung cancer screening into a dual-screening quantitative tool for CVD risk estimation.
• Abstract（参考訳）: がん患者は一般人口よりも心血管疾患(CVD)の死亡リスクが高い。 肺癌検診における低線量CT(LDCT)は,リスクの高い患者のCVDリスクを同時に評価する機会となる。 肺がん検診試験から30,286 LDCTの深層学習CVDリスク予測モデルを用いて,2,085人の被験者に対して0.871のカーブ(AUC)を達成し,高いCVD死亡リスク(AUC: 0.768)の患者を同定した。 冠状動脈石灰化(CAC)スコア,CAD-RADSスコア,MESA10年リスクスコアを含む心電図同期型心電図ベースマーカーを335名の個人データセットから評価した。 本研究は,高リスク患者において,肺がんスクリーニングのためのldctを,cvdリスク推定のための二重スクリーニング定量的ツールに変換できることを示す。

関連論文リスト

• A Joint Representation Using Continuous and Discrete Features for Cardiovascular Diseases Risk Prediction on Chest CT Scans [12.652540031719571]
  胸部CT画像から抽出した離散的量的バイオマーカーと連続的な深部特徴を統合した新しい関節表現法を提案する。 本手法はCVDリスク予測性能を大幅に改善し,各バイオマーカーの個人貢献分析を行う。
  論文  参考訳（メタデータ） (2024-10-24T10:06:45Z)
• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Electrocardiographic Deep Learning for Predicting Post-Procedural Mortality [9.192239774090208]
  深層学習アルゴリズムは、術前の心電図からの波形信号を利用して術後の死亡を判別するために開発された。 深層学習モデルのリスク予測によって高いリスクと判断された患者は、術後死亡率8.83(5.57-13.20)の未調整オッズ比(OR)を持っていた。 新たな深層学習アルゴリズムが術前の心電図に適用されたことにより,術後の死亡率の識別が向上することを示す。
  論文  参考訳（メタデータ） (2022-04-30T05:14:53Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Development of an accessible 10-year Digital CArdioVAscular (DiCAVA) risk assessment: a UK Biobank study [0.46180371154032895]
  目標は、統計的および機械学習技術を使用して新しいリスクモデル(DiCAVA)を開発することであった。 第二の目標は、CVDリスクアセスメントに組み込むことができる新しい患者中心変数を特定することでした。
  論文  参考訳（メタデータ） (2021-04-20T16:01:50Z)
• Predicting cardiovascular risk from national administrative databases using a combined survival analysis and deep learning approach [0.3463527836552467]
  本研究では,従来のコックス比例ハザードモデル(CPH)を用いた生存分析モデルのディープラーニング拡張性能の比較を行った。 深層学習モデルは、説明された時間対イベントの発生率に基づいてCPHモデルよりも有意に優れていた。 深層学習モデルは、解釈可能なCVDリスク予測方程式を導出するために、大規模な健康管理データベースに適用することができる。
  論文  参考訳（メタデータ） (2020-11-28T00:10:25Z)
• 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)
• COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
  胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。 本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
  論文  参考訳（メタデータ） (2020-05-26T16:33:52Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。