論文の概要: L1-regularized neural ranking for risk stratification and its application to prediction of time to distant metastasis in luminal node negative chemotherapy na\"ive breast cancer patients

• arxiv url: http://arxiv.org/abs/2108.10365v1
• Date: Mon, 23 Aug 2021 19:04:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-25 14:09:41.871898
• Title: L1-regularized neural ranking for risk stratification and its application to prediction of time to distant metastasis in luminal node negative chemotherapy na\"ive breast cancer patients
• Title（参考訳）: L1-regularized neural ranking for risk stratification and its application to prediction of time to distance metastasis in luminal node negative chemotherapy na\"ive breast cancer patients
• Authors: Fayyaz Minhas, Michael S. Toss, Noor ul Wahab, Emad Rakha and Nasir M. Rajpoot
• Abstract要約: そこで我々は,このような疑問に答えるために,ランキングに基づく検閲対応機械学習モデルを提案する。 早期乳癌(ER+またはHER2-)患者の遠隔転移と早期臨床パラメータとの関連について検討した。 本研究は,遠隔転移のリスクが高い症例と低い症例の鑑別が可能であることを示す。
• 参考スコア（独自算出の注目度）: 9.269883992088147
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Can we predict if an early stage cancer patient is at high risk of developing distant metastasis and what clinicopathological factors are associated with such a risk? In this paper, we propose a ranking based censoring-aware machine learning model for answering such questions. The proposed model is able to generate an interpretable formula for risk stratifi-cation using a minimal number of clinicopathological covariates through L1-regulrization. Using this approach, we analyze the association of time to distant metastasis (TTDM) with various clinical parameters for early stage, luminal (ER+ or HER2-) breast cancer patients who received endocrine therapy but no chemotherapy (n = 728). The TTDM risk stratification formula obtained using the proposed approach is primarily based on mitotic score, histolog-ical tumor type and lymphovascular invasion. These findings corroborate with the known role of these covariates in increased risk for distant metastasis. Our analysis shows that the proposed risk stratification formula can discriminate between cases with high and low risk of distant metastasis (p-value < 0.005) and can also rank cases based on their time to distant metastasis with a concordance-index of 0.73.
• Abstract（参考訳）: 早期癌患者が遠隔転移のリスクが高いか, 臨床病理学的因子が関与しているか予測できるか? 本稿では,このような疑問に答えるためのランキングベース検閲対応機械学習モデルを提案する。 提案モデルでは,L1-regulrizationにより最小数の臨床病理学的共変量を用いて,リスク層序の解釈式を生成することができる。 本手法を用いて, 早期, 光(ER+, HER2-)乳がん患者, 内分泌療法を受けたが化学療法を受けなかった患者 (n = 728) と遠隔転移 (TTDM) との関連性を検討した。 提案手法を用いて得られたTTDMリスク層序式は, 主に有糸分裂スコア, 組織型腫瘍, リンパ血管浸潤に基づく。 これらの発見は、遠隔転移のリスクを高めるためにこれらの共変量の既知の役割と共生する。 以上の結果から, リスク階層化式は, 遠隔転移リスクの高い症例 (p-value < 0.005) と低リスク症例 (concordance-index 0.73) の分類が可能であり, また, 遠隔転移までの期間にもとづく分類が可能であった。

関連論文リスト

• Predicting the risk of early-stage breast cancer recurrence using H\&E-stained tissue images [5.507561997194002]
  癌組織像の病理像を解析することにより,深層学習アルゴリズムが再発リスクを予測できるかどうかを検討した。 感度は0.857, 0.746, 0.529で, 低, 中間, 高リスク, 0.816, 0.803, 0.972。 クラス活性化マップを用いてこれらの研究を通して得られたモデルをチェックすると、異なるリスクグループを予測する際に、実際に管の形成と分裂速度を検討した。
  論文  参考訳（メタデータ） (2024-06-10T08:51:59Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• 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)
• Prediction of Rapid Early Progression and Survival Risk with Pre-Radiation MRI in WHO Grade 4 Glioma Patients [0.5365740459403827]
  非REP症例からのREP予測のための診断・予後ツールとして,Ra-diomics,高度多分解能フラクタルテクスチャ,分子特性について検討した。 コホートの生存予測は0.881の精度で、標準偏差は0.056である。 さらに, マルチ分解能フラクタルテクスチャ特性は, REPやサバイバル結果の従来の放射能特性よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-28T20:03:18Z)
• Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics and Machine Learning [7.165205048529115]
  放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。 この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。 以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
  論文  参考訳（メタデータ） (2023-02-17T10:55:18Z)
• Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
  化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。 セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。 提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
  論文  参考訳（メタデータ） (2022-11-08T11:50:31Z)
• Novel Radiomic Measurements of Tumor- Associated Vasculature Morphology on Clinical Imaging as a Biomarker of Treatment Response in Multiple Cancers [2.9475893559701905]
  腫瘍関連血管造影(QuanTAV)と呼ばれる新しい放射線バイオマーカーの分類を報告する。 腫瘍関連血管の形状と構造は,多発癌および治療における予後・予測バイオマーカーとしての可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-05T13:58:27Z)
• 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)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。