Fugu-MT 論文翻訳(概要): A Machine Learning Challenge for Prognostic Modelling in Head and Neck Cancer Using Multi-modal Data

論文の概要: A Machine Learning Challenge for Prognostic Modelling in Head and Neck Cancer Using Multi-modal Data

arxiv url: http://arxiv.org/abs/2101.11935v1
Date: Thu, 28 Jan 2021 11:20:34 GMT
ステータス: 処理完了
システム内更新日: 2023-04-13 11:49:14.761952
Title: A Machine Learning Challenge for Prognostic Modelling in Head and Neck Cancer Using Multi-modal Data
Title（参考訳）: 多モードデータを用いた頭頸部癌予後モデルのための機械学習チャレンジ
Authors: Michal Kazmierski, Mattea Welch, Sejin Kim, Chris McIntosh, Princess Margaret Head and Neck Cancer Group, Katrina Rey-McIntyre, Shao Hui Huang, Tirth Patel, Tony Tadic, Michael Milosevic, Fei-Fei Liu, Andrew Hope, Scott Bratman and Benjamin Haibe-Kains
Abstract要約: 我々は,頭頸部癌における生存予測の精度向上を目的として,機関的機械学習挑戦を行った。画像と臨床データを用いて,12種類の提出物を別々に,あるいは組み合わせて比較した。勝利アプローチは臨床データと腫瘍容積の非線形マルチタスク学習を用い、2年間の生存予測において高い予後精度を達成した。
参考スコア（独自算出の注目度）: 0.10651507097431492
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate prognosis for an individual patient is a key component of precision oncology. Recent advances in machine learning have enabled the development of models using a wider range of data, including imaging. Radiomics aims to extract quantitative predictive and prognostic biomarkers from routine medical imaging, but evidence for computed tomography radiomics for prognosis remains inconclusive. We have conducted an institutional machine learning challenge to develop an accurate model for overall survival prediction in head and neck cancer using clinical data etxracted from electronic medical records and pre-treatment radiological images, as well as to evaluate the true added benefit of radiomics for head and neck cancer prognosis. Using a large, retrospective dataset of 2,552 patients and a rigorous evaluation framework, we compared 12 different submissions using imaging and clinical data, separately or in combination. The winning approach used non-linear, multitask learning on clinical data and tumour volume, achieving high prognostic accuracy for 2-year and lifetime survival prediction and outperforming models relying on clinical data only, engineered radiomics and deep learning. Combining all submissions in an ensemble model resulted in improved accuracy, with the highest gain from a image-based deep learning model. Our results show the potential of machine learning and simple, informative prognostic factors in combination with large datasets as a tool to guide personalized cancer care.
Abstract（参考訳）: 個々の患者の正確な予後は、精密腫瘍学の重要な要素である。機械学習の最近の進歩により、イメージングを含む幅広いデータを用いたモデルの開発が可能になった。放射線医学は、日常的な医療画像から定量的な予測と予後のバイオマーカーを抽出することを目的としている。本研究は, 頭頸部癌における全身生存予測の精度を, 電子カルテおよび放射線治療前画像から抽出した臨床データを用いて評価し, 頭頸部癌予後に対する放射線治療の真に付加されたメリットを評価するために, 機関的機械学習挑戦を行った。 2,552人の患者の大規模なふりかえりデータセットと厳密な評価フレームワークを用いて,画像と臨床データを用いて,別々に,あるいは組み合わせて12種類の投稿を比較した。勝利のアプローチは、臨床データと腫瘍体積の非線形マルチタスク学習を使用し、2年間の予後予測と生存率予測と臨床データのみに依存するモデル、工学的放射線工学、深層学習を高い精度で達成した。すべての入力をアンサンブルモデルに組み合わせることで精度が向上し、画像ベースのディープラーニングモデルから最も高いゲインを得た。以上の結果から, パーソナライズされたがんケアをガイドするツールとして, 大規模データセットと組み合わせることで, 機械学習の可能性を示唆した。

関連論文リスト

Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification [7.002657345547741]
非小細胞肺癌(NSCLC)は、世界中のがん死亡の主な原因である。本稿では, 融合医療画像(CT, PET)と臨床健康記録, ゲノムデータとを合成する, マルチモーダルデータの革新的な統合について紹介する。 NSCLCの検出と分類精度の大幅な向上により,本研究は既存のアプローチを超越している。
論文参考訳（メタデータ） (2024-09-27T12:59:29Z)
Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。 XGBoostは97%という最高のモデル精度を達成した。
論文参考訳（メタデータ） (2024-04-06T17:23:21Z)
Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
論文参考訳（メタデータ） (2023-11-18T14:37:53Z)
ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文参考訳（メタデータ） (2023-10-08T17:23:17Z)
Diagnosis and Prognosis of Head and Neck Cancer Patients using Artificial Intelligence [0.0]
がんは世界中で最も致命的な疾患の1つであり、頭頸部がん(H&N)は毎年数十万件の新しい症例が記録されている。臨床医は、CTやポジトロン・エミッション・トモグラフィーなどの医療画像モダリティを用いて腫瘍の存在を検知し、その情報と患者の予後に関する臨床データを組み合わせる。機械学習とディープラーニングは、これらのタスクを自動化し、医師が非常に有望な結果を得るのを助ける。
論文参考訳（メタデータ） (2023-05-31T08:22:41Z)
An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using Multimodal Data [0.0]
頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
論文参考訳（メタデータ） (2022-02-25T07:50:59Z)
Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。次に、標準モデルの集合戦略とは対照的に、その融合について検討する。我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文参考訳（メタデータ） (2021-12-01T13:56:27Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。