論文の概要: Deep-CR MTLR: a Multi-Modal Approach for Cancer Survival Prediction with
Competing Risks
- arxiv url: http://arxiv.org/abs/2012.05765v3
- Date: Sun, 21 Mar 2021 12:24:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 06:16:24.864456
- Title: Deep-CR MTLR: a Multi-Modal Approach for Cancer Survival Prediction with
Competing Risks
- Title(参考訳): Deep-CR MTLR:競合リスクを伴う癌生存予測のためのマルチモーダルアプローチ
- Authors: Sejin Kim, Michal Kazmierski and Benjamin Haibe-Kains
- Abstract要約: 本稿では,癌生存予測のための新しい機械学習手法であるDeep-CR MTLRを提案する。
2552頭頸部癌患者のコホートにおける単一モダリティ予測器に対するマルチモーダルアプローチの予後改善効果を実証した。
- 参考スコア(独自算出の注目度): 0.4189643331553922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate survival prediction is crucial for development of precision cancer
medicine, creating the need for new sources of prognostic information.
Recently, there has been significant interest in exploiting routinely collected
clinical and medical imaging data to discover new prognostic markers in
multiple cancer types. However, most of the previous studies focus on
individual data modalities alone and do not make use of recent advances in
machine learning for survival prediction. We present Deep-CR MTLR -- a novel
machine learning approach for accurate cancer survival prediction from
multi-modal clinical and imaging data in the presence of competing risks based
on neural networks and an extension of the multi-task logistic regression
framework. We demonstrate improved prognostic performance of the multi-modal
approach over single modality predictors in a cohort of 2552 head and neck
cancer patients, particularly for cancer specific survival, where our approach
achieves 2-year AUROC of 0.774 and $C$-index of 0.788.
- Abstract(参考訳): 正確な生存予測は、精密がん医学の発展に不可欠であり、新しい予後情報ソースの必要性が生じる。
近年,日常的に収集された臨床・医用画像データを用いて,複数のがんの新たな予後マーカーの発見が注目されている。
しかし,従来の研究のほとんどは個々のデータモダリティのみに焦点をあてており,機械学習の最近の進歩を生存予測に利用していない。
本稿では,ニューラルネットワークとマルチタスクロジスティック回帰フレームワークの拡張に基づく競合リスクの存在下で,マルチモーダル臨床および画像データから正確ながん生存予測を行うための新しい機械学習手法であるdeep-cr mtlrを提案する。
頭頸部癌2552例のコホートにおいて, 単一モダリティ予測器に対するマルチモーダルアプローチの予後改善効果を実証し, 特に癌特異的生存例では, アプローチが0.774AUROC, および0.788AUROC$C$-indexを達成した。
関連論文リスト
- Enhancing Trust in Clinically Significant Prostate Cancer Prediction with Multiple Magnetic Resonance Imaging Modalities [61.36288157482697]
米国では、前立腺がんが男性の死因としては2番目に多く、2024年には35,250人が死亡している。
本稿では,複数のMRIモダリティを組み合わせて深層学習モデルを訓練し,臨床的に有意な前立腺癌予測のためのモデルの信頼性を高めることを検討する。
論文 参考訳(メタデータ) (2024-11-07T12:48:27Z) - A Multimodal Object-level Contrast Learning Method for Cancer Survival Risk Prediction [9.005219442274344]
コンピュータ支援によるがん生存予測は、患者のタイムリーな治療において重要な役割を担っている。
がん生存リスク予測のための新しいトレーニング手法であるマルチモーダルオブジェクトレベルのコントラスト学習を提案する。
提案手法により訓練された生存リスク予測器は、2つの公共マルチモーダル癌データセット上で最先端の手法より優れている。
論文 参考訳(メタデータ) (2024-09-03T07:36:34Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳(メタデータ) (2024-05-13T15:48:26Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳(メタデータ) (2022-11-18T03:26:31Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳(メタデータ) (2022-11-10T03:02:12Z) - Automated Segmentation and Recurrence Risk Prediction of Surgically
Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
肺がんは、がん関連死亡の重大な原因である。
本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
論文 参考訳(メタデータ) (2022-09-17T23:06:22Z) - DeepMMSA: A Novel Multimodal Deep Learning Method for Non-small Cell
Lung Cancer Survival Analysis [8.78724404464036]
我々は,非小細胞肺癌(NSCLC)生存率解析のための多モード深層学習法,DeepMMSAを提案する。
臨床データと組み合わせてCT画像を活用することにより、医用画像内の豊富な情報を肺がん生存情報に関連付けることができる。
論文 参考訳(メタデータ) (2021-06-12T11:02:14Z) - Lymph Node Graph Neural Networks for Cancer Metastasis Prediction [0.342658286826597]
局所リンパ節に転移する既存の癌の画像特徴をグラフベースで表現する手法を提案する。
我々は,遠隔転移のリスクを正確に予測するために,エッジゲートグラフ畳み込みネットワーク(Gated-GCN)を訓練した。
論文 参考訳(メタデータ) (2021-06-03T09:28:14Z) - Survival prediction and risk estimation of Glioma patients using mRNA
expressions [0.0]
グリオーマは、予後不良の中枢神経系腫瘍の致死型である。
本研究では、生存に関連する7つの遺伝子シグネチャを同定し、生存予測とリスク推定のための2つのアプローチを検討する。
論文 参考訳(メタデータ) (2020-11-02T00:39:04Z) - 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) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z)
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。