論文の概要: Analysis of MRI Biomarkers for Brain Cancer Survival Prediction

• arxiv url: http://arxiv.org/abs/2109.02785v1
• Date: Fri, 3 Sep 2021 05:35:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:44:27.533210
• Title: Analysis of MRI Biomarkers for Brain Cancer Survival Prediction
• Title（参考訳）: 脳癌生存予測のためのmriバイオマーカーの解析
• Authors: Subhashis Banerjee and Sushmita Mitra and Lawrence O. Hall
• Abstract要約: マルチモーダルMRIによる脳がん患者の総合生存率(OS)の予測は、研究の難しい分野である。 生存予測に関する既存の文献のほとんどは、放射能の特徴に基づいている。 年齢は最も重要な生物学的予測因子であることがわかった。
• 参考スコア（独自算出の注目度）: 0.3093890460224435
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Prediction of Overall Survival (OS) of brain cancer patients from multi-modal MRI is a challenging field of research. Most of the existing literature on survival prediction is based on Radiomic features, which does not consider either non-biological factors or the functional neurological status of the patient(s). Besides, the selection of an appropriate cut-off for survival and the presence of censored data create further problems. Application of deep learning models for OS prediction is also limited due to the lack of large annotated publicly available datasets. In this scenario we analyse the potential of two novel neuroimaging feature families, extracted from brain parcellation atlases and spatial habitats, along with classical radiomic and geometric features; to study their combined predictive power for analysing overall survival. A cross validation strategy with grid search is proposed to simultaneously select and evaluate the most predictive feature subset based on its predictive power. A Cox Proportional Hazard (CoxPH) model is employed for univariate feature selection, followed by the prediction of patient-specific survival functions by three multivariate parsimonious models viz. Coxnet, Random survival forests (RSF) and Survival SVM (SSVM). The brain cancer MRI data used for this research was taken from two open-access collections TCGA-GBM and TCGA-LGG available from The Cancer Imaging Archive (TCIA). Corresponding survival data for each patient was downloaded from The Cancer Genome Atlas (TCGA). A high cross validation $C-index$ score of $0.82\pm.10$ was achieved using RSF with the best $24$ selected features. Age was found to be the most important biological predictor. There were $9$, $6$, $6$ and $2$ features selected from the parcellation, habitat, radiomic and region-based feature groups respectively.
• Abstract（参考訳）: マルチモーダルMRIによる脳がん患者の総合生存率(OS)の予測は、研究の難しい分野である。 生存予測に関する既存の文献のほとんどは、非生物学的要因や患者の機能的神経学的地位を考慮しない放射線学的特徴に基づいている。 さらに、生存のための適切なカットオフの選択と検閲されたデータの存在がさらなる問題を引き起こす。 os予測へのディープラーニングモデルの適用は、大規模なアノテーション付き公開データセットの欠如によって制限されている。 このシナリオでは、脳のパーセレーションアトラスと空間的生息地から抽出された2つの新しい神経画像特徴群と、古典的放射能と幾何学的特徴を解析し、それらの組み合わせによる全体的な生存の予測能力について検討する。 グリッド探索を用いたクロス検証戦略を提案し,その予測力に基づいて最も予測的な特徴部分集合を同時選択し,評価する。 Cox Proportional Hazard(CoxPH)モデルが一変量の特徴選択に使用され、続いて3つの多変量パシモニクスモデルvizによる患者固有の生存機能の予測が行われる。 コックスネット、ランダムサバイバル森林(RSF)、サバイバルSVM(SSVM)。 この研究に使用された脳腫瘍MRIデータは、The Cancer Imaging Archive (TCIA)から入手できるTGA-GBMとTGA-LGGの2つのオープンアクセスコレクションから得られた。 各患者の生存データをThe Cancer Genome Atlas (TCGA)からダウンロードした。 高いクロス検証$c-index$スコア$0.82\pm.10$がrsfを使って達成され、ベストな24ドルのフィーチャが選択された。 年齢は最も重要な生物学的予測因子であった。 それぞれparcellation、habitat、radiomic、およびリージョンベースの機能グループから選択された9ドル、6ドル、6ドル、2ドルの機能があった。

関連論文リスト

• Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
  胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。 医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。 本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T21:47:13Z)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)
• 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)
• Towards Tumour Graph Learning for Survival Prediction in Head & Neck Cancer Patients [0.0]
  2020年に世界で100万人近い頭頸部がんが診断された。 自動セグメンテーションと予後推定アプローチは、各患者が最も効果的な治療を受けるのに役立つ。 本稿では、任意の視野(FoV)PETとCT登録スキャンでこれらの機能を実行するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-17T09:32:06Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• EOCSA: Predicting Prognosis of Epithelial Ovarian Cancer with Whole Slide Histopathological Images [22.227676868758195]
  卵巣がんは、世界中の女性を脅かす最も深刻ながんの1つである。 本研究では,病的全スライド画像(WSI)に基づいてEOC患者の予後を解析するEOCSAというディープフレームワークを設計した。 実験の結果,本フレームワークは0.980Cインデクスの最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T08:40:40Z)
• A Survey and Analysis on Automated Glioma Brain Tumor Segmentation and Overall Patient Survival Prediction [1.41414531071294]
  本論文は、グリオーマ脳腫瘍分節の自動化手法の進歩を調査することを目的としている。 また、ベンチマークに基づいて様々なモデルの客観的評価を行うことも不可欠である。 タスク1のディープニューラルネットワークモデルに対する手作り特徴を用いた脳腫瘍の領域分割の完全域について述べる。
  論文  参考訳（メタデータ） (2021-01-26T07:22:52Z)
• Glioblastoma Multiforme Patient Survival Prediction [1.0650780147044159]
  そこで我々は,手作り画像とラジオミクス機能を利用した4つの回帰器を用いた生存予後モデルを提案する。 その結果,手作りの特徴は生存予測と強い相関を示した。 勾配上昇と放射能形状の特徴を持つコンセンサスベースの回帰器は生存予測に最適である。
  論文  参考訳（メタデータ） (2021-01-26T06:47:14Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。