論文の概要: DeepMMSA: A Novel Multimodal Deep Learning Method for Non-small Cell
Lung Cancer Survival Analysis
- arxiv url: http://arxiv.org/abs/2106.06744v1
- Date: Sat, 12 Jun 2021 11:02:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-15 16:03:52.811243
- Title: DeepMMSA: A Novel Multimodal Deep Learning Method for Non-small Cell
Lung Cancer Survival Analysis
- Title（参考訳）: deepmmsa : 非小細胞肺癌生存率解析のための新しいマルチモーダル深層学習法
- Authors: Yujiao Wu, Jie Ma, Xiaoshui Huang, Sai Ho Ling, and Steven Weidong Su
- Abstract要約: 我々は,非小細胞肺癌(NSCLC)生存率解析のための多モード深層学習法,DeepMMSAを提案する。
臨床データと組み合わせてCT画像を活用することにより、医用画像内の豊富な情報を肺がん生存情報に関連付けることができる。
- 参考スコア（独自算出の注目度）: 8.78724404464036
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Lung cancer is the leading cause of cancer death worldwide. The critical
reason for the deaths is delayed diagnosis and poor prognosis. With the
accelerated development of deep learning techniques, it has been successfully
applied extensively in many real-world applications, including health sectors
such as medical image interpretation and disease diagnosis. By combining more
modalities that being engaged in the processing of information, multimodal
learning can extract better features and improve predictive ability. The
conventional methods for lung cancer survival analysis normally utilize
clinical data and only provide a statistical probability. To improve the
survival prediction accuracy and help prognostic decision-making in clinical
practice for medical experts, we for the first time propose a multimodal deep
learning method for non-small cell lung cancer (NSCLC) survival analysis, named
DeepMMSA. This method leverages CT images in combination with clinical data,
enabling the abundant information hold within medical images to be associate
with lung cancer survival information. We validate our method on the data of
422 NSCLC patients from The Cancer Imaging Archive (TCIA). Experimental results
support our hypothesis that there is an underlying relationship between
prognostic information and radiomic images. Besides, quantitative results
showing that the established multimodal model can be applied to traditional
method and has the potential to break bottleneck of existing methods and
increase the the percentage of concordant pairs(right predicted pairs) in
overall population by 4%.
- Abstract（参考訳）: 肺がんは世界中でがんの死因となっている。
死因は診断の遅れと予後不良である。
深層学習技術の発展が加速し、医療画像解釈や疾患診断などの健康分野を含む多くの現実の応用に広く応用されている。
情報処理に関わるモダリティをより多く組み合わせることで、マルチモーダル学習はより良い特徴を抽出し、予測能力を向上させることができる。
従来の肺癌生存率解析法は臨床データを用いており、統計的確率のみを提供する。
臨床実習における生存予測精度の向上と予後決定を支援するため,我々は,非小細胞肺癌(NSCLC)生存率分析のためのマルチモーダルディープラーニング法(DeepMMSA)を初めて提案した。
臨床データと組み合わせてCT画像を活用することにより、医用画像内の豊富な情報を肺がん生存情報に関連付けることができる。
The Cancer Imaging Archive (TCIA) のNSCLC患者422名について検討した。
実験結果から, 予後情報と放射線画像の関連性が示唆された。
また, 確立されたマルチモーダルモデルが従来の手法に適用可能であり, 既存手法のボトルネックを解消し, 全体のコンコルダント対(右予測ペア)の割合を4%増加させる可能性を示唆する定量的な結果が得られた。
関連論文リスト
- xCG: Explainable Cell Graphs for Survival Prediction in Non-Small Cell Lung Cancer [10.515405477496735]
生存予測のための説明可能なセルグラフ(xCG)を提案する。
肺腺癌416例に対する画像量(IMC)データの公開コホートによる検討を行った。
論文 参考訳（メタデータ） (2024-11-12T08:53:49Z) - Improving Lung Cancer Diagnosis and Survival Prediction with Deep Learning and CT Imaging [12.276877277186284]
肺癌は主要ながん関連死亡例であり、早期診断と治療は患者の生存率の向上に不可欠である。
肺がんのリスクと肺のリスクとの間に得られるネットワークの神経畳み込みネットワークをCT実験に応用することを提案する。
以上の結果から, 肺がん発生リスクと肺がん発生リスクの予測に, ミニバッチド・ロスとバイナリ・クロスエントロピーが有効であったことが示唆された。
論文 参考訳（メタデータ） (2024-08-18T05:45:08Z) - 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) - MMFusion: Multi-modality Diffusion Model for Lymph Node Metastasis Diagnosis in Esophageal Cancer [13.74067035373274]
CT画像に基づくリンパ節転移診断のためのマルチモーダルな不均一グラフに基づく条件付き特徴誘導拡散モデルを提案する。
本稿では, 悪性腫瘍とリンパ節像の関連性, 優先性を明らかにすることを目的として, マスク付き関係表現学習戦略を提案する。
論文 参考訳（メタデータ） (2024-05-15T17:52:00Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - Multimodal Learning for Non-small Cell Lung Cancer Prognosis [10.321835786169894]
本稿では,肺癌の生存時間分析の課題に焦点をあてる。
肺癌に対する従来的およびいくつかの深層学習に基づく生存時間分析は、主にテキスト臨床情報に基づくものである。
我々は,Lite-ProSENetという生存分析ネットワークに対して,スマートな相互モダリティネットワークを提供する。
論文 参考訳（メタデータ） (2022-11-07T03:09:47Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - 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) - 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) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z)
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。