論文の概要: Lymph Node Graph Neural Networks for Cancer Metastasis Prediction
- arxiv url: http://arxiv.org/abs/2106.01711v1
- Date: Thu, 3 Jun 2021 09:28:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-04 15:55:09.426945
- Title: Lymph Node Graph Neural Networks for Cancer Metastasis Prediction
- Title(参考訳): 癌転移予測のためのリンパ節グラフニューラルネットワーク
- Authors: Michal Kazmierski and Benjamin Haibe-Kains
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.342658286826597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting outcomes, such as survival or metastasis for individual cancer
patients is a crucial component of precision oncology. Machine learning (ML)
offers a promising way to exploit rich multi-modal data, including clinical
information and imaging to learn predictors of disease trajectory and help
inform clinical decision making. In this paper, we present a novel graph-based
approach to incorporate imaging characteristics of existing cancer spread to
local lymph nodes (LNs) as well as their connectivity patterns in a prognostic
ML model. We trained an edge-gated Graph Convolutional Network (Gated-GCN) to
accurately predict the risk of distant metastasis (DM) by propagating
information across the LN graph with the aid of soft edge attention mechanism.
In a cohort of 1570 head and neck cancer patients, the Gated-GCN achieves AUROC
of 0.757 for 2-year DM classification and $C$-index of 0.725 for lifetime DM
risk prediction, outperforming current prognostic factors as well as previous
approaches based on aggregated LN features. We also explored the importance of
graph structure and individual lymph nodes through ablation experiments and
interpretability studies, highlighting the importance of considering individual
LN characteristics as well as the relationships between regions of cancer
spread.
- Abstract(参考訳): 個々のがん患者の生存や転移などの予後を予測することは、精密腫瘍学の重要な要素である。
機械学習(ML)は、臨床情報や画像を含むリッチなマルチモーダルデータを活用するための有望な方法を提供し、疾患の軌跡の予測を学習し、臨床的意思決定を知らせる。
本稿では,局所リンパ節(LN)に拡がる既存癌の画像特徴と,その接続パターンを予後MLモデルに組み込むためのグラフベースの新しいアプローチを提案する。
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, ソフトエッジ注意機構を用いてlnグラフに情報を伝達することにより, 遠隔転移 (dm) のリスクを正確に予測した。
1570人の頭頸部がん患者のコホートにおいて、Gated-GCNは2年間のDM分類で0.757のAUROC、生涯DMリスク予測で0.725のC$-indexを達成し、現在の予後因子と、集約されたLN特徴に基づく以前のアプローチより優れている。
また, グラフ構造と個々のリンパ節の重要性について, アブレーション実験および解釈可能性研究を通じて検討し, 個々のLN特性と癌領域間の関係を考察することの重要性を強調した。
関連論文リスト
- BioFusionNet: Deep Learning-Based Survival Risk Stratification in ER+
Breast Cancer Through Multifeature and Multimodal Data Fusion [18.395418853966266]
画像から得られる特徴を遺伝学的・臨床的データと融合するディープラーニングフレームワークであるBioFusionNetを提案する。
ER+乳癌患者の生存リスク層形成を行う。
論文 参考訳(メタデータ) (2024-02-16T14:19:33Z) - Semi-supervised ViT knowledge distillation network with style transfer
normalization for colorectal liver metastases survival prediction [1.283897253352624]
本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。
まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。
転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
論文 参考訳(メタデータ) (2023-11-17T03:32:11Z) - Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。
また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文 参考訳(メタデータ) (2023-11-13T19:51:46Z) - Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文 参考訳(メタデータ) (2023-11-10T11:49:49Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳(メタデータ) (2023-07-07T13:09:07Z) - 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) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Deep-CR MTLR: a Multi-Modal Approach for Cancer Survival Prediction with
Competing Risks [0.4189643331553922]
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。
論文 参考訳(メタデータ) (2020-12-10T15:51:47Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳(メタデータ) (2020-02-06T16:39:44Z)
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。