論文の概要: Deep Learning Derived Histopathology Image Score for Increasing Phase 3
Clinical Trial Probability of Success
- arxiv url: http://arxiv.org/abs/2011.05406v1
- Date: Tue, 10 Nov 2020 21:26:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 08:06:53.660134
- Title: Deep Learning Derived Histopathology Image Score for Increasing Phase 3
Clinical Trial Probability of Success
- Title（参考訳）: 深層学習による病理組織像スコアを用いた第3相臨床試験
- Authors: Qi Tang and Vardaan Kishore Kumar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.462316736194615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Failures in Phase 3 clinical trials contribute to expensive cost of drug
development in oncology. To drastically reduce such cost, responders to an
oncology treatment need to be identified early on in the drug development
process with limited amount of patient data before the planning of Phase 3
clinical trials. Despite the challenge of small sample size, we pioneered the
use of deep-learning derived digital pathology scores to identify responders
based on the immunohistochemistry images of the target antigen expressed in
tumor biopsy samples from a Phase 1 Non-small Cell Lung Cancer clinical trial.
Based on repeated 10-fold cross validations, the deep-learning derived score on
average achieved 4% higher AUC of ROC curve and 6% higher AUC of
Precision-Recall curve comparing to the tumor proportion score (TPS) based
clinical benchmark. In a small independent testing set of patients, we also
demonstrated that the deep-learning derived score achieved numerically at least
25% higher responder rate in the enriched population than the TPS clinical
benchmark.
- Abstract（参考訳）: 第3相臨床試験の失敗は腫瘍学における薬の開発コストの高騰に寄与する。
このようなコストを大幅に削減するには、第3相臨床試験の計画前に患者データを限られた量で、創薬過程の早期に腫瘍治療への応答者を特定する必要がある。
第1相非小細胞肺癌臨床試験において,腫瘍生検試料に発現する標的抗原の免疫組織化学像に基づいて,深層学習由来のデジタル病理学スコアを用いて応答者を同定した。
以上の結果から, 深層学習法により, ROC曲線のAUCが4%, 精度・リコール曲線のAUCが6%, 腫瘍比率スコア(TPS)が6%であった。
また, 単発検査群では, 深層学習の成績が, TPS検査群と比較して, 人口増加率の25%以上を数値的に上回ったことも確認した。
関連論文リスト
- Arges: Spatio-Temporal Transformer for Ulcerative Colitis Severity Assessment in Endoscopy Videos [2.0735422289416605]
専門家のMES/UCEISアノテーションは時間を要するため、ラター間のばらつきに影響を受けやすい。
エンド・ツー・エンド(e2e)トレーニングを備えたCNNベースの弱い教師付きモデルでは、新しい疾患スコアへの一般化が欠如している。
アルジェス(Arges)は、内視鏡で病気の重症度を推定するために位置エンコーディングを組み込んだ深層学習フレームワークである。
論文 参考訳（メタデータ） (2024-10-01T09:23:14Z) - Language Interaction Network for Clinical Trial Approval Estimation [37.60098683485169]
本稿では,言語相互作用ネットワーク(LINT, Language Interaction Network)について紹介する。
臨床治験の3段階にわたって厳格にLINTを試験し,ROC-AUCスコアは0.770,0.740,0.748となった。
論文 参考訳（メタデータ） (2024-04-26T14:50:59Z) - TrialDura: Hierarchical Attention Transformer for Interpretable Clinical Trial Duration Prediction [19.084936647082632]
マルチモーダルデータを用いて臨床試験期間を推定する機械学習に基づくTrialDuraを提案する。
バイオメディカルコンテキストに特化されたBio-BERT埋め込みにエンコードして,より深く,より関連するセマンティック理解を提供する。
提案モデルでは, 平均絶対誤差(MAE)が1.04年, 根平均二乗誤差(RMSE)が1.39年であった。
論文 参考訳（メタデータ） (2024-04-20T02:12:59Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳（メタデータ） (2023-07-07T13:09:07Z) - AutoTrial: Prompting Language Models for Clinical Trial Design [53.630479619856516]
本稿では,言語モデルを用いた臨床検査基準の設計を支援するAutoTrialという手法を提案する。
70K以上の臨床試験で、AutoTrialが高品質な基準テキストを生成することが確認された。
論文 参考訳（メタデータ） (2023-05-19T01:04:16Z) - SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with
Meta-Learning [67.8195828626489]
臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。
本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。
タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
論文 参考訳（メタデータ） (2023-04-07T23:04:27Z) - 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) - A Generic Deep Learning Based Cough Analysis System from Clinically
Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。
提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。
DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
論文 参考訳（メタデータ） (2021-11-10T19:39:26Z) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - A deep learning-facilitated radiomics solution for the prediction of
lung lesion shrinkage in non-small cell lung cancer trials [2.929792935431798]
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。
論文 参考訳（メタデータ） (2020-03-05T21:49:42Z)
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。