論文の概要: Breast cancer detection using artificial intelligence techniques: A systematic literature review

• arxiv url: http://arxiv.org/abs/2203.04308v1
• Date: Tue, 8 Mar 2022 13:51:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 14:25:53.254319
• Title: Breast cancer detection using artificial intelligence techniques: A systematic literature review
• Title（参考訳）: 人工知能を用いた乳癌検出 : 体系的文献レビュー
• Authors: Ali Bou Nassif, Manar Abu Talib, Qassim Nasir, Yaman Afadar, Omar Elgendy
• Abstract要約: 2020年だけで、米国内で27万6000人以上の浸潤性乳癌と4万8000人以上の非浸潤性症例が診断された。 これらの数字をみると、これらの症例の64%は、疾患のサイクルの早い段階で診断され、99%の生存確率が与えられる。 ディープラーニングは、重篤な疾患の検出と治療に影響を与える最も重要な特徴を分析するように設計されている。
• 参考スコア（独自算出の注目度）: 3.6608644315416585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer is one of the most dangerous diseases to humans, and yet no permanent cure has been developed for it. Breast cancer is one of the most common cancer types. According to the National Breast Cancer foundation, in 2020 alone, more than 276,000 new cases of invasive breast cancer and more than 48,000 non-invasive cases were diagnosed in the US. To put these figures in perspective, 64% of these cases are diagnosed early in the disease's cycle, giving patients a 99% chance of survival. Artificial intelligence and machine learning have been used effectively in detection and treatment of several dangerous diseases, helping in early diagnosis and treatment, and thus increasing the patient's chance of survival. Deep learning has been designed to analyze the most important features affecting detection and treatment of serious diseases. For example, breast cancer can be detected using genes or histopathological imaging. Analysis at the genetic level is very expensive, so histopathological imaging is the most common approach used to detect breast cancer. In this research work, we systematically reviewed previous work done on detection and treatment of breast cancer using genetic sequencing or histopathological imaging with the help of deep learning and machine learning. We also provide recommendations to researchers who will work in this field
• Abstract（参考訳）: がんは人間にとって最も危険な病気の1つだが、永久的な治療法は開発されていない。 乳癌は最も一般的ながんの1つである。 国立乳癌財団によると、2020年だけで27万6000人以上の浸潤性乳癌と4万8000人以上の非浸潤性症例が米国で診断された。 これらの数字を総合すると、これらの症例の64%は疾患周期の早い段階で診断され、患者の生存確率は99%である。 人工知能と機械学習は、いくつかの危険な疾患の検出と治療に効果的に使われ、早期診断と治療に役立ち、患者が生存する可能性を高める。 深層学習は重篤な疾患の検出と治療に影響を与える最も重要な特徴を分析するように設計されている。 例えば、乳癌は遺伝子や病理組織画像を用いて検出することができる。 遺伝子レベルでの分析は非常に高価であるため、病理組織像は乳がんを検出する最も一般的なアプローチである。 本研究では,ディープラーニングと機械学習を用いて,遺伝子シークエンシングや病理組織像を用いた乳癌の検出と治療に関するこれまでの研究を体系的に検討した。 我々はまた、この分野で働く研究者にレコメンデーションを提供する。

関連論文リスト

• Computer Aided Detection and Classification of mammograms using Convolutional Neural Network [0.0]
  乳癌は、肺癌に次いで、女性の間で最も大きな死因の1つである。 ディープラーニング(Deep Learning)またはニューラルネットワーク(Neural Network)は、正常な乳房の識別と不規則な乳房の識別に使用できる手法の1つである。 CNNMデータセットは、正常な460枚の画像と異常な乳房の920枚の画像で使用されている。
  論文  参考訳（メタデータ） (2024-09-04T03:42:27Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• 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)
• Can-SAVE: Mass Cancer Risk Prediction via Survival Analysis Variables and EHR [1.29410702835589]
  特定のがんスクリーニング法は、しばしば費用がかかり、時間がかかり、大規模に適用できる。 本稿では,Can-SAVE癌リスク評価手法を提案する。 アクセス性が高く、資源効率が良く、一連の高レベルの医療イベントのみを利用する。
  論文  参考訳（メタデータ） (2023-09-26T16:15:54Z)
• 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)
• A Combined PCA-MLP Network for Early Breast Cancer Detection [0.0]
  我々は、患者が乳がんに直面するかどうかを検出するために、異なる機械学習アルゴリズムを研究した。 われわれの4層PCAネットワークは、BCCDデータセットの平均90.48%で100%の精度を得た。
  論文  参考訳（メタデータ） (2022-06-18T06:17:40Z)
• Machine Learning-based Lung and Colon Cancer Detection using Deep Feature Extraction and Ensemble Learning [0.9786690381850355]
  肺がんと大腸癌を効率よく同定するためのハイブリッドアンサンブル特徴抽出モデルを提案する。 深い特徴抽出とアンサンブル学習と、がん画像データセットのための高性能なフィルタリングを統合している。 本モデルでは, 99.05%, 100%, 99.30%の精度で, 肺癌, 大腸癌, 結腸癌を検出できる。
  論文  参考訳（メタデータ） (2022-06-02T15:14:41Z)
• Breast Cancer Detection using Histopathological Images [0.0]
  本稿では,先進的な深層学習技術の助けを借りて,塩分濃度検出システムを提案する。 CNN(VGG16, ResNet Architecture)による乳癌の5つの診断カテゴリーの同定について検討した。 この検出システムは、病理学者や医療機関が利用できるオープンソースのWebアプリケーションとして利用できる。
  論文  参考訳（メタデータ） (2022-02-12T17:45:43Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)

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。