Fugu-MT 論文翻訳(概要): An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using Multimodal Data

論文の概要: An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using Multimodal Data

arxiv url: http://arxiv.org/abs/2202.12537v1
Date: Fri, 25 Feb 2022 07:50:59 GMT
ステータス: 処理完了
システム内更新日: 2022-02-28 15:05:17.454669
Title: An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using Multimodal Data
Title（参考訳）: マルチモーダルデータを用いた頭頸部腫瘍の予後に関するアンサンブルアプローチ
Authors: Numan Saeed, Roba Al Majzoub, Ikboljon Sobirov, and Mohammad Yaqub
Abstract要約: 頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Accurate prognosis of a tumor can help doctors provide a proper course of treatment and, therefore, save the lives of many. Traditional machine learning algorithms have been eminently useful in crafting prognostic models in the last few decades. Recently, deep learning algorithms have shown significant improvement when developing diagnosis and prognosis solutions to different healthcare problems. However, most of these solutions rely solely on either imaging or clinical data. Utilizing patient tabular data such as demographics and patient medical history alongside imaging data in a multimodal approach to solve a prognosis task has started to gain more interest recently and has the potential to create more accurate solutions. The main issue when using clinical and imaging data to train a deep learning model is to decide on how to combine the information from these sources. We propose a multimodal network that ensembles deep multi-task logistic regression (MTLR), Cox proportional hazard (CoxPH) and CNN models to predict prognostic outcomes for patients with head and neck tumors using patients' clinical and imaging (CT and PET) data. Features from CT and PET scans are fused and then combined with patients' electronic health records for the prediction. The proposed model is trained and tested on 224 and 101 patient records respectively. Experimental results show that our proposed ensemble solution achieves a C-index of 0.72 on The HECKTOR test set that saved us the first place in prognosis task of the HECKTOR challenge. The full implementation based on PyTorch is available on \url{https://github.com/numanai/BioMedIA-Hecktor2021}.
Abstract（参考訳）: 腫瘍の正確な予後は、医師が適切な治療コースを提供するのに役立つため、多くの人の命を救える。従来の機械学習アルゴリズムは、過去数十年間、予測モデルの作成に非常に有用だった。最近のディープラーニングアルゴリズムは、さまざまな医療問題に対する診断と予後のソリューションを開発する際に、大幅に改善している。しかし、これらのソリューションのほとんどは画像データか臨床データにのみ依存している。人口統計学や患者医学史などの患者表表データと画像データとを併用して、予後の課題を解決するマルチモーダルな手法が近年注目され始めており、より正確な解決策が生み出される可能性がある。深層学習モデルのトレーニングに臨床および画像データを使用する場合の主な課題は、これらの情報源からの情報を組み合わせる方法を決定することである。頭部・頸部腫瘍の予後をCTおよびPETデータを用いて予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。 CTとPETスキャンの特徴を融合し、患者の電子健康記録と組み合わせて予測を行う。提案モデルはそれぞれ224名と101名を対象に訓練および試験を行った。実験の結果,提案したアンサンブル解はHECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクの第一位を救った。 PyTorch に基づく完全な実装は \url{https://github.com/numanai/BioMedIA-Hecktor2021} で利用可能である。

関連論文リスト

Multi-task Learning Approach for Intracranial Hemorrhage Prognosis [0.0]
本稿では,Glasgow Coma Scale と Age の3次元マルチタスク画像モデルを提案する。提案手法は現状のベースライン画像モデルより優れており,CTスキャンのみを入力として用いた4名の脳神経科医と比較してICH予後に優れていた。
論文参考訳（メタデータ） (2024-08-16T14:56:17Z)
LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文参考訳（メタデータ） (2023-06-20T22:21:34Z)
Diagnosis and Prognosis of Head and Neck Cancer Patients using Artificial Intelligence [0.0]
がんは世界中で最も致命的な疾患の1つであり、頭頸部がん(H&N)は毎年数十万件の新しい症例が記録されている。臨床医は、CTやポジトロン・エミッション・トモグラフィーなどの医療画像モダリティを用いて腫瘍の存在を検知し、その情報と患者の予後に関する臨床データを組み合わせる。機械学習とディープラーニングは、これらのタスクを自動化し、医師が非常に有望な結果を得るのを助ける。
論文参考訳（メタデータ） (2023-05-31T08:22:41Z)
MLC at HECKTOR 2022: The Effect and Importance of Training Data when Analyzing Cases of Head and Neck Tumors using Machine Learning [0.9166327220922845]
本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対して,チームMLCが行った成果について述べる。ポジトロン・エミッション・トモグラフィ(PET)とCT(CT)画像の解析は予後を診断するために提案されている。
論文参考訳（メタデータ） (2022-11-30T09:04:27Z)
Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。次に、標準モデルの集合戦略とは対照的に、その融合について検討する。我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文参考訳（メタデータ） (2021-12-01T13:56:27Z)
A Machine Learning Challenge for Prognostic Modelling in Head and Neck Cancer Using Multi-modal Data [0.10651507097431492]
我々は,頭頸部癌における生存予測の精度向上を目的として,機関的機械学習挑戦を行った。画像と臨床データを用いて,12種類の提出物を別々に,あるいは組み合わせて比較した。勝利アプローチは臨床データと腫瘍容積の非線形マルチタスク学習を用い、2年間の生存予測において高い予後精度を達成した。
論文参考訳（メタデータ） (2021-01-28T11:20:34Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
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)
Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。