Fugu-MT 論文翻訳(概要): A Retrospective Analysis using Deep-Learning Models for Prediction of Survival Outcome and Benefit of Adjuvant Chemotherapy in Stage II/III Colorectal Cancer

論文の概要: A Retrospective Analysis using Deep-Learning Models for Prediction of Survival Outcome and Benefit of Adjuvant Chemotherapy in Stage II/III Colorectal Cancer

arxiv url: http://arxiv.org/abs/2111.03532v1
Date: Fri, 5 Nov 2021 14:43:33 GMT
ステータス: 処理完了
システム内更新日: 2021-11-08 16:59:13.113413
Title: A Retrospective Analysis using Deep-Learning Models for Prediction of Survival Outcome and Benefit of Adjuvant Chemotherapy in Stage II/III Colorectal Cancer
Title（参考訳）: II/III期大腸癌の生存率と化学療法効果予測のための深層学習モデルを用いた振り返り分析
Authors: Xingyu Li and Jitendra Jonnagaddala and Shuhua Yang and Hong Zhang and Xu Steven Xu
Abstract要約: 我々は,第IIステージ/IIIステージCRCにおけるアジュバント化学療法の生存利益を予測するための新しいディープラーニングアルゴリズム (CRCNet) を開発した。 CRCNetは、生存予後だけでなく、アジュバント化学療法の治療効果も正確に予測できる。
参考スコア（独自算出の注目度）: 4.8294253242762615
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Most early-stage colorectal cancer (CRC) patients can be cured by surgery alone, and only certain high-risk early-stage CRC patients benefit from adjuvant chemotherapies. However, very few validated biomarkers are available to accurately predict survival benefit from postoperative chemotherapy. We developed a novel deep-learning algorithm (CRCNet) using whole-slide images from Molecular and Cellular Oncology (MCO) to predict survival benefit of adjuvant chemotherapy in stage II/III CRC. We validated CRCNet both internally through cross-validation and externally using an independent cohort from The Cancer Genome Atlas (TCGA). We showed that CRCNet can accurately predict not only survival prognosis but also the treatment effect of adjuvant chemotherapy. The CRCNet identified high-risk subgroup benefits from adjuvant chemotherapy most and significant longer survival is observed among chemo-treated patients. Conversely, minimal chemotherapy benefit is observed in the CRCNet low- and medium-risk subgroups. Therefore, CRCNet can potentially be of great use in guiding treatments for Stage II/III CRC.
Abstract（参考訳）: ほとんどの早期大腸癌(CRC)患者は手術単独で治すことができ、一部の早期CRC患者は補助的化学療法の恩恵を受ける。しかし, 術後化学療法の生存率を正確に予測できるバイオマーカーはごくわずかである。分子・細胞腫瘍学(MCO)の全スライディング画像を用いて,第IIステージ/IIIステージCRCにおけるアジュバント化学療法の生存可能性を予測する新しいディープラーニングアルゴリズム(CRCNet)を開発した。 The Cancer Genome Atlas (TCGA) の独立したコホートを用いて, CRCNet を内部的および外部的に検証した。 CRCNetは生存予後だけでなく,アジュバント化学療法の治療効果も正確に予測できることを示した。 CRCNetはアジュバント化学療法による高リスクサブグループ効果を認め,化学療法患者の生存期間は有意に長かった。逆に、CRCNetの低リスクおよび中リスクサブグループでは、最小限の化学療法効果が観察される。そのため、CRCNetはStage II/III CRCの誘導治療に有用である可能性がある。

関連論文リスト

Coalitions of AI-based Methods Predict 15-Year Risks of Breast Cancer Metastasis Using Real-World Clinical Data with AUC up to 0.9 [6.712251433139411]
乳がんは女性の死亡率が最も高い2つのがんのうちの1つで、米国では毎年約4万2000人が死亡している。現在の予後指標は、局所治療後に治癒したと思われる5人の女性のうち4人にはほとんど効果がない。我々は、既存のデータのみを用いて、ROC分析において最大0.9のAUCを示すアルゴリズムを開発した。
論文参考訳（メタデータ） (2024-08-29T04:35:36Z)
A Large Language Model Pipeline for Breast Cancer Oncology [0.0]
最先端のOpenAIモデルは、2つの重要ながん治療因子に対する臨床データセットと臨床ガイドラインテキストコーパスに基づいて微調整された。乳癌に対するアジュバント放射線療法と化学療法の分類において高い精度(0.85+)が得られた。
論文参考訳（メタデータ） (2024-06-10T16:44:48Z)
Enhancing Clinically Significant Prostate Cancer Prediction in T2-weighted Images through Transfer Learning from Breast Cancer [71.91773485443125]
転送学習は、よりリッチなデータを持つドメインから取得した機能を活用して、限られたデータを持つドメインのパフォーマンスを向上させるテクニックである。本稿では,T2強調画像における乳癌からの転移学習による臨床的に有意な前立腺癌予知の改善について検討する。
論文参考訳（メタデータ） (2024-05-13T15:57:27Z)
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)
EXACT-Net:EHR-guided lung tumor auto-segmentation for non-small cell lung cancer radiotherapy [7.531407604292937]
非小細胞肺癌(NSCLC)患者の60%以上が放射線治療を必要とする。当院で治療した10例のNSCLCデータを用いて結節検出が250%向上した。
論文参考訳（メタデータ） (2024-02-21T19:49:12Z)
Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma Chemoradiotherapy using Planning CT-based Radiomics Model [5.485361086613949]
非転移性肛門扁平上皮癌(SCC)患者の約30%が化学療法後の再発を経験する我々は,放射線前処置計画CTから抽出した情報を利用して,CRT後のSCC患者における再発無生存(RFS)を予測するモデルを開発した。
論文参考訳（メタデータ） (2023-09-05T20:22:26Z)
Non-Linear Self Augmentation Deep Pipeline for Cancer Treatment outcome Prediction [7.455416595124159]
著者らは、深い下流の分類器とともに非線形セルアーキテクチャを利用する革新的な戦略を提示している。本研究の目的は,胸部CT像から抽出した2次元特徴を慎重に選択・拡張し,治療成績の予測を改善することである。提案したパイプラインは、高度に組み込まれたPoint of Careシステムとシームレスに統合するように慎重に設計されている。
論文参考訳（メタデータ） (2023-07-26T15:01:26Z)
Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文参考訳（メタデータ） (2023-04-12T15:08:34Z)
A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文参考訳（メタデータ） (2023-04-12T05:41:44Z)
Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文参考訳（メタデータ） (2022-11-10T03:02:12Z)
CancerNet-SCa: Tailored Deep Neural Network Designs for Detection of Skin Cancer from Dermoscopy Images [71.68436132514542]
皮膚がんはアメリカ合衆国で最も頻繁に診断されるがんである。本研究では,皮膚内視鏡画像から皮膚がんを検出するための深層神経回路の設計手法である CancerNet-SCa について紹介する。
論文参考訳（メタデータ） (2020-11-21T02:17:59Z)

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。