論文の概要: Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation
- arxiv url: http://arxiv.org/abs/2102.06526v1
- Date: Wed, 10 Feb 2021 15:10:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-15 12:55:59.657834
- Title: Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation
- Title(参考訳): GBMの生存と遺伝を予測する機械学習分類器の比較:臨床実装のための標準化モデルに向けて
- Authors: Luca Pasquini, Antonio Napolitano, Martina Lucignani, Emanuela
Tagliente, Francesco Dellepiane, Maria Camilla Rossi-Espagnet, Matteo
Ritrovato, Antonello Vidiri, Veronica Villani, Giulio Ranazzi, Antonella
Stoppacciaro, Andrea Romano, Alberto Di Napoli, Alessandro Bozzao
- Abstract要約: 放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
- 参考スコア(独自算出の注目度): 44.02622933605018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiomic models have been shown to outperform clinical data for outcome
prediction in glioblastoma (GBM). However, clinical implementation is limited
by lack of parameters standardization. We aimed to compare nine machine
learning classifiers, with different optimization parameters, to predict
overall survival (OS), isocitrate dehydrogenase (IDH) mutation,
O-6-methylguanine-DNA-methyltransferase (MGMT) promoter methylation, epidermal
growth factor receptor (EGFR) VII amplification and Ki-67 expression in GBM
patients, based on radiomic features from conventional and advanced MR. 156
adult patients with pathologic diagnosis of GBM were included. Three tumoral
regions were analyzed: contrast-enhancing tumor, necrosis and non-enhancing
tumor, selected by manual segmentation. Radiomic features were extracted with a
custom version of Pyradiomics, and selected through Boruta algorithm. A Grid
Search algorithm was applied when computing 4 times K-fold cross validation
(K=10) to get the highest mean and lowest spread of accuracy. Once optimal
parameters were identified, model performances were assessed in terms of Area
Under The Curve-Receiver Operating Characteristics (AUC-ROC). Metaheuristic and
ensemble classifiers showed the best performance across tasks. xGB obtained
maximum accuracy for OS (74.5%), AB for IDH mutation (88%), MGMT methylation
(71,7%), Ki-67 expression (86,6%), and EGFR amplification (81,6%). Best
performing features shed light on possible correlations between MR and tumor
histology.
- Abstract(参考訳): 放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
しかし、パラメータの標準化の欠如により臨床実施は制限される。
本研究の目的は, GBM患者における9種類の機械学習分類器と, 総合生存率 (OS), Isocitrate dehydrogenase (IDH) 変異, O-6-methylguanine-DNA-methyltransferase (MGMT) プロモーターメチル化, 上皮成長因子受容体 (EGFR) VII 増幅, Ki-67 発現を, 従来および高度MRの放射線学的特徴に基づいて比較することであった。
腫瘍領域は, 造影腫瘍, 壊死, 非造影腫瘍の3つで, 手動分節で選択した。
放射能の特徴はpyradiomicsのカスタムバージョンで抽出され、borutaアルゴリズムによって選択された。
グリッドサーチアルゴリズムは, 4倍のK倍のクロスバリデーション(K=10)を計算し, 平均値と最小値の精度を得た。
最適パラメータが特定されると、モデル性能はAUC-ROC(Area Under The Curve-Receiver Operating Characteristics)で評価された。
メタヒューリスティックとアンサンブルの分類器はタスク全体で最高のパフォーマンスを示した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81,6%) の最大精度を得た。
MRと腫瘍組織学の相関性に最も適した特徴が光を当てた。
関連論文リスト
- Quantifying intra-tumoral genetic heterogeneity of glioblastoma toward
precision medicine using MRI and a data-inclusive machine learning algorithm [3.2507684591996036]
Glioblastoma (GBM) は最も攻撃的で致命的なヒト癌の一つである。
バイオプシーは侵襲的であり、非侵襲的なMRIベースの機械学習(ML)モデルの開発を動機付けている。
我々は,MRIを用いて各GBM腫瘍の局所的遺伝的変化を予測するための新しいWeakly Supervised Ordinal Support Vector Machine (WSO-SVM)を提案する。
論文 参考訳(メタデータ) (2023-12-30T03:28:51Z) - Developing a Novel Image Marker to Predict the Responses of Neoadjuvant
Chemotherapy (NACT) for Ovarian Cancer Patients [1.8210053690503532]
本研究の目的は,NATの早期に高精度な応答予測を実現するために,新しい画像マーカーを開発することである。
まず, 腫瘍の特徴を定量化するために, 1373個の放射能の特徴を計算し, その特徴を幾何学的, 強度, テクスチャ的特徴の3つのカテゴリに分類した。
このクラスタを入力として使用し、最終マーカーを作成するためにSVMベースの分類器を開発し、NACT治療に反応する可能性を示した。
論文 参考訳(メタデータ) (2023-09-13T16:59:50Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳(メタデータ) (2023-08-04T01:19:32Z) - Prediction of Rapid Early Progression and Survival Risk with
Pre-Radiation MRI in WHO Grade 4 Glioma Patients [0.5365740459403827]
非REP症例からのREP予測のための診断・予後ツールとして,Ra-diomics,高度多分解能フラクタルテクスチャ,分子特性について検討した。
コホートの生存予測は0.881の精度で、標準偏差は0.056である。
さらに, マルチ分解能フラクタルテクスチャ特性は, REPやサバイバル結果の従来の放射能特性よりも優れていた。
論文 参考訳(メタデータ) (2023-06-28T20:03:18Z) - 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) - MRI-based classification of IDH mutation and 1p/19q codeletion status of
gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。
我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。
2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
論文 参考訳(メタデータ) (2022-10-07T18:46:39Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳(メタデータ) (2021-12-18T14:17:49Z) - Novel Local Radiomic Bayesian Classifiers for Non-Invasive Prediction of
MGMT Methylation Status in Glioblastoma [0.0]
グリオーマ腫瘍組織におけるO6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)遺伝子の発現は臨床的に重要である。
現在、MGMTメチル化は、侵襲的な脳生検およびその後に抽出された腫瘍組織の遺伝子解析によって決定されている。
FLAIR系列磁気共鳴画像(MRI)から抽出した放射能特性に基づいてMGMTメチル化状態の確率論的予測を行う新しいベイズ分類器を提案する。
論文 参考訳(メタデータ) (2021-11-30T04:53:23Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳(メタデータ) (2021-02-11T09:04:45Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z)
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。