論文の概要: Using deep learning to detect patients at risk for prostate cancer despite benign biopsies

• arxiv url: http://arxiv.org/abs/2106.14256v1
• Date: Sun, 27 Jun 2021 15:21:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 17:42:58.331844
• Title: Using deep learning to detect patients at risk for prostate cancer despite benign biopsies
• Title（参考訳）: 良性生検にもかかわらず前立腺癌リスクのある患者をディープラーニングで検出する
• Authors: Boing Liu, Yinxi Wang, Philippe Weitz, Johan Lindberg, Lars Egevad, Henrik Gr\"onberg, Martin Eklund, Mattias Rantalainen
• Abstract要約: 良性前立腺生検全スライド画像における形態的パターンを識別するために, 深部畳み込みニューラルネットワークモデルを開発し, 検証した。 提案モデルは, 定期的前立腺生検における偽陰性症例数を減少させる可能性がある。
• 参考スコア（独自算出の注目度）: 0.7739635712759623
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Transrectal ultrasound guided systematic biopsies of the prostate is a routine procedure to establish a prostate cancer diagnosis. However, the 10-12 prostate core biopsies only sample a relatively small volume of the prostate, and tumour lesions in regions between biopsy cores can be missed, leading to a well-known low sensitivity to detect clinically relevant cancer. As a proof-of-principle, we developed and validated a deep convolutional neural network model to distinguish between morphological patterns in benign prostate biopsy whole slide images from men with and without established cancer. Methods: This study included 14,354 hematoxylin and eosin stained whole slide images from benign prostate biopsies from 1,508 men in two groups: men without an established prostate cancer (PCa) diagnosis and men with at least one core biopsy diagnosed with PCa. 80% of the participants were assigned as training data and used for model optimization (1,211 men), and the remaining 20% (297 men) as a held-out test set used to evaluate model performance. An ensemble of 10 deep convolutional neural network models was optimized for classification of biopsies from men with and without established cancer. Hyperparameter optimization and model selection was performed by cross-validation in the training data . Results: Area under the receiver operating characteristic curve (ROC-AUC) was estimated as 0.727 (bootstrap 95% CI: 0.708-0.745) on biopsy level and 0.738 (bootstrap 95% CI: 0.682 - 0.796) on man level. At a specificity of 0.9 the model had an estimated sensitivity of 0.348. Conclusion: The developed model has the ability to detect men with risk of missed PCa due to under-sampling of the prostate. The proposed model has the potential to reduce the number of false negative cases in routine systematic prostate biopsies and to indicate men who could benefit from MRI-guided re-biopsy.
• Abstract（参考訳）: 背景:経直腸超音波ガイド下前立腺組織的生検は前立腺癌の診断を確立するための定期的な手順である。 しかし、10-12の前立腺コア生検は前立腺の比較的少量のみを採取し、生検コア間の腫瘍病変を見逃すことができ、臨床的に関連のあるがんを検出するための感度が低いことが知られている。 基礎実証として,良性前立腺生検における形態的パターンを男性と癌の有無で区別するために,深層畳み込みニューラルネットワークモデルを開発し,検証した。 方法:本研究は,前立腺癌 (PCa) 診断が確立していない男性と,少なくとも1つの中核生検をPCaと診断した男性に,良性前立腺生検で14,354例のヘマトキシリンとエオシンを染色した。 参加者の80%がトレーニングデータとして配置され、モデル最適化(1,211名)に使用され、残りの20%(297名)がモデル性能を評価するのに使用された。 10種類の深層畳み込みニューラルネットワークモデルのアンサンブルは、確立された癌と診断されていない男性からの生検の分類に最適化された。 ハイパーパラメータ最適化とモデル選択は、トレーニングデータにおけるクロスバリデーションによって行われた。 結果: 受信機動作特性曲線 (ROC-AUC) の面積は生検では0.727 (bootstrap 95% CI: 0.708-0.745) , 男性では0.738 (bootstrap 95% CI: 0.682-0.796) と推定された。 0.9の比では0.348と推定された。 結論: 発達したモデルは前立腺のサンプル不足によりpcaを欠くリスクのある男性を検出できる。 提案モデルでは, 正常な前立腺生検における偽陰性症例の数を減少させる可能性があり, MRI誘導再生の恩恵を受ける男性を示す。

関連論文リスト

• Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
  本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。 提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
  論文  参考訳（メタデータ） (2024-01-28T23:33:56Z)
• Vision Transformer-Based Deep Learning for Histologic Classification of Endometrial Cancer [0.7228984887091693]
  子宮内膜癌(英: Endometrial cancer)は、アメリカ合衆国の女性で4番目に多いがんであり、この疾患を発症するリスクは約2.8%である。 本研究では,畳み込みニューラルネットワークを用いて組織学的特徴を抽出し,その視覚的特徴に基づいてスライドを高次・低次に分類するEndoNetを紹介する。 このモデルは、ダートマス・ヘルスにおける子宮内膜癌に対する929のデジタル化ヘマトキシリンとエオシン染色による全スライディング画像に基づいて訓練された。
  論文  参考訳（メタデータ） (2023-12-13T19:38:50Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• 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)
• Deep Learning for fully automatic detection, segmentation, and Gleason Grade estimation of prostate cancer in multiparametric Magnetic Resonance Images [0.731365367571807]
  本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。 PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。 ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
  論文  参考訳（メタデータ） (2021-03-23T16:08:43Z)
• Reducing false-positive biopsies with deep neural networks that utilize local and global information in screening mammograms [45.19322938294639]
  良性組織となる生検の頻度を下げることが重要である。 本研究では, 生検病変を悪性か良性のいずれかと分類するために, ディープニューラルネットワーク(DNN)を構築した。
  論文  参考訳（メタデータ） (2020-09-19T18:54:01Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)
• Detection of Perineural Invasion in Prostate Needle Biopsies with Deep Neural Networks [0.0]
  前立腺生検における肝門周囲浸潤 (PNI) は予後不良と関連している。 前立腺生検における深部ニューラルネットワークを用いたPNI検出アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-04-03T14:27:53Z)
• Automated Detection of Cribriform Growth Patterns in Prostate Histology Images [0.13048920509133805]
  前立腺癌におけるCribriform growth patternは予後不良と関連している。 畳み込みニューラルネットワークは 前立腺の128の生検で クリブリフォーム成長パターンを検出するために訓練された
  論文  参考訳（メタデータ） (2020-03-23T20:56:24Z)

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。