論文の概要: Lung Cancer Diagnosis Using Deep Attention Based on Multiple Instance Learning and Radiomics

• arxiv url: http://arxiv.org/abs/2104.14655v1
• Date: Thu, 29 Apr 2021 21:04:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 03:01:07.920121
• Title: Lung Cancer Diagnosis Using Deep Attention Based on Multiple Instance Learning and Radiomics
• Title（参考訳）: 多症例学習と放射線検査に基づく深部注意による肺癌の診断
• Authors: Junhua Chen, Haiyan Zeng, Chong Zhang, Zhenwei Shi, Andre Dekker, Leonard Wee, Inigo Bermejo
• Abstract要約: 肺癌の診断をmil(multiple instance learning)問題として扱うことで,臨床における診断過程をよりよく反映する。 分類アルゴリズムとして、放射能を入力特徴の源と深い注意に基づくMILを選択しました。 その結果,平均(SEM)が0.069の標準誤差,0.870(SEM 0.061)のリコール,0.928(SEM 0.078)の正の予測値,0.591(SEM 0.155)の負の予測値,0.842(AUC)の曲線下領域で0.807の平均精度が得られた。
• 参考スコア（独自算出の注目度）: 13.028105771052376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early diagnosis of lung cancer is a key intervention for the treatment of lung cancer computer aided diagnosis (CAD) can play a crucial role. However, most published CAD methods treat lung cancer diagnosis as a lung nodule classification problem, which does not reflect clinical practice, where clinicians diagnose a patient based on a set of images of nodules, instead of one specific nodule. Besides, the low interpretability of the output provided by these methods presents an important barrier for their adoption. In this article, we treat lung cancer diagnosis as a multiple instance learning (MIL) problem in order to better reflect the diagnosis process in the clinical setting and for the higher interpretability of the output. We chose radiomics as the source of input features and deep attention-based MIL as the classification algorithm.The attention mechanism provides higher interpretability by estimating the importance of each instance in the set for the final diagnosis.In order to improve the model's performance in a small imbalanced dataset, we introduce a new bag simulation method for MIL.The results show that our method can achieve a mean accuracy of 0.807 with a standard error of the mean (SEM) of 0.069, a recall of 0.870 (SEM 0.061), a positive predictive value of 0.928 (SEM 0.078), a negative predictive value of 0.591 (SEM 0.155) and an area under the curve (AUC) of 0.842 (SEM 0.074), outperforming other MIL methods.Additional experiments show that the proposed oversampling strategy significantly improves the model's performance. In addition, our experiments show that our method provides an indication of the importance of each nodule in determining the diagnosis, which combined with the well-defined radiomic features, make the results more interpretable and acceptable for doctors and patients.
• Abstract（参考訳）: 早期の肺癌の診断は、肺がんコンピュータ支援診断(CAD)の治療法として重要な役割を担っている。 しかし、ほとんどのcad法は肺がんの診断を、特定の結節ではなく、一連の結節の画像に基づいて患者を診断する臨床医のプラクティスを反映しない肺結節分類問題として扱う。 さらに、これらの方法によって提供される出力の低解釈性は、その採用において重要な障壁となる。 本稿では, 肺がんの診断を多症例学習(MIL)問題として扱うことにより, 臨床現場での診断過程をよりよく反映し, 出力の高い解釈可能性を実現する。 We chose radiomics as the source of input features and deep attention-based MIL as the classification algorithm.The attention mechanism provides higher interpretability by estimating the importance of each instance in the set for the final diagnosis.In order to improve the model's performance in a small imbalanced dataset, we introduce a new bag simulation method for MIL.The results show that our method can achieve a mean accuracy of 0.807 with a standard error of the mean (SEM) of 0.069, a recall of 0.870 (SEM 0.061), a positive predictive value of 0.928 (SEM 0.078), a negative predictive value of 0.591 (SEM 0.155) and an area under the curve (AUC) of 0.842 (SEM 0.074), outperforming other MIL methods.Additional experiments show that the proposed oversampling strategy significantly improves the model's performance. また,本手法は,診断における各結節の重要性を示す指標であり,放射線学的特徴と組み合わせることで,医師や患者にとってより解釈可能かつ許容可能な結果が得られることを示す。

関連論文リスト

• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive Learning [19.948079693716075]
  提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。 77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2024-01-25T20:03:57Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Towards Reliable and Explainable AI Model for Solid Pulmonary Nodule Diagnosis [20.510918720980467]
  肺がんは世界で最も死亡率が高い。 結節検出・診断において,放射線科医を支援するコンピュータ支援診断システム(CAD)が開発された。 モデル信頼性の欠如と解釈可能性の欠如は、その大規模臨床応用の大きな障害である。
  論文  参考訳（メタデータ） (2022-04-08T08:21:00Z)
• Interpretability methods of machine learning algorithms with applications in breast cancer diagnosis [1.1470070927586016]
  我々は,グローバルサロゲート(GS)法,個人期待(ICE)プロット,条件シェープ値(SV)などの解釈可能性技術を用いた。 乳がん診断における最良の成績は,提案したERN(精度96.6%,ROC曲線0.96)により得られた。
  論文  参考訳（メタデータ） (2022-02-04T13:41:30Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• 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)
• Automatic Generation of Interpretable Lung Cancer Scoring Models from Chest X-Ray Images [9.525711971667679]
  肺がんは世界中でがんの死因となっている。 深層学習技術は肺がんの診断に有効である。 これらの技術は、まだ医療コミュニティによって承認され、採用されていない。
  論文  参考訳（メタデータ） (2020-12-10T04:11:59Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Deep Learning-based Computational Pathology Predicts Origins for Cancers of Unknown Primary [2.645435564532842]
  原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。 最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。 深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-24T17:59:36Z)

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。