論文の概要: Genotype-Guided Radiomics Signatures for Recurrence Prediction of Non-Small-Cell Lung Cancer

• arxiv url: http://arxiv.org/abs/2104.14420v1
• Date: Thu, 29 Apr 2021 15:34:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 17:55:41.291318
• Title: Genotype-Guided Radiomics Signatures for Recurrence Prediction of Non-Small-Cell Lung Cancer
• Title（参考訳）: 非小細胞肺癌再発予測のための遺伝子型x線標識
• Authors: Panyanat Aonpong, Yutaro Iwamoto, Xian-Hua Han, Lanfen Lin, Yen-Wei Chen
• Abstract要約: 非小細胞肺癌(NSCLC)は手術後の再発率が高い。 再帰予測には多くの機械学習手法が提案されている。 低コストで高い予測精度を得るための遺伝子型誘導放射能法(GGR)を提案する。
• 参考スコア（独自算出の注目度）: 8.732676613125731
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-small cell lung cancer (NSCLC) is a serious disease and has a high recurrence rate after the surgery. Recently, many machine learning methods have been proposed for recurrence prediction. The methods using gene data have high prediction accuracy but require high cost. Although the radiomics signatures using only CT image are not expensive, its accuracy is relatively low. In this paper, we propose a genotype-guided radiomics method (GGR) for obtaining high prediction accuracy with low cost. We used a public radiogenomics dataset of NSCLC, which includes CT images and gene data. The proposed method is a two-step method, which consists of two models. The first model is a gene estimation model, which is used to estimate the gene expression from radiomics features and deep features extracted from computer tomography (CT) image. The second model is used to predict the recurrence using the estimated gene expression data. The proposed GGR method designed based on hybrid features which is combination of handcrafted-based and deep learning-based. The experiments demonstrated that the prediction accuracy can be improved significantly from 78.61% (existing radiomics method) and 79.14% (deep learning method) to 83.28% by the proposed GGR.
• Abstract（参考訳）: 非小細胞肺癌(non-small cell lung cancer, nclc)は重症疾患であり,術後再発率が高い。 近年,再発予測のための機械学習手法が数多く提案されている。 遺伝子データを用いた方法は予測精度が高いが、コストが高い。 CT画像のみを用いた放射能シグネチャは高価ではないが,精度は比較的低い。 本稿では,高い予測精度を低コストで得るための遺伝子型誘導ラジオミック法(ggr)を提案する。 我々はCT画像と遺伝子データを含むNSCLCの公開ラジオゲノミクスデータセットを使用した。 提案手法は2つのモデルからなる2段階の手法である。 第1のモデルは遺伝子推定モデルであり、ct画像から抽出した放射線学的特徴と深部特徴から遺伝子発現を推定するために用いられる。 第2のモデルは、推定された遺伝子発現データを用いて再発を予測するために使用される。 提案手法は,手作り学習と深層学習を組み合わせたハイブリッド機能に基づいて設計した。 実験の結果、予測精度は78.61%(既存の放射能法)と79.14%(深層学習法)から83.28%まで大幅に改善できることがわかった。

関連論文リスト

• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Fuzzy Gene Selection and Cancer Classification Based on Deep Learning Model [1.3072222152900117]
  我々は,癌分類を容易にする情報的遺伝子を同定するための新しいファジィ遺伝子選択法(FGS)を開発した。 FGS法で癌分類は96.5%,96.2%,96%,95.9%の精度,精度,リコール,f1スコアを得た。 得られた6つのデータセットを調べることで、提案モデルはがんを効果的に分類する能力を示す。
  論文  参考訳（メタデータ） (2023-05-04T21:52:57Z)
• Breast Cancer Histopathology Image based Gene Expression Prediction using Spatial Transcriptomics data and Deep Learning [3.583756449759971]
  本稿では,病理組織像から遺伝子発現を予測するためのディープラーニングフレームワークBrST-Netを提案する。 我々は,250遺伝子の予測に事前訓練した重みを使わずに10種類の最先端ディープラーニングモデルを訓練し,評価した。 本手法は,0.50以上の正相関係数を持つ24遺伝子を含む237遺伝子を同定し,過去の研究より優れていた。
  論文  参考訳（メタデータ） (2023-03-17T14:03:40Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• Improving Feature Extraction from Histopathological Images Through A Fine-tuning ImageNet Model [4.976419880800879]
  大腸癌(CRC)には10万点の注釈画像パッチを用い,2段階的アプローチで術前Xceptionモデルを精査した。 微細なFTX2048から抽出した特徴は,CRCの歯列型を予測する精度が有意に高かった。 FTX2048はストーマの精度を87%から94%に改善した。
  論文  参考訳（メタデータ） (2022-01-03T13:19:45Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  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。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Applying a random projection algorithm to optimize machine learning model for predicting peritoneal metastasis in gastric cancer patients using CT images [0.3120960917423201]
  手術前の癌転移のリスクを非侵襲的に予測することは、最適な治療方法を決定する上で重要な役割を担っている。 本研究では,小・不均衡の画像データセットを用いて最適な機械学習モデルを構築するための新しいアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-09-01T19:53:09Z)

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。