論文の概要: Survival Prediction of Brain Cancer with Incomplete Radiology,
Pathology, Genomics, and Demographic Data
- arxiv url: http://arxiv.org/abs/2203.04419v1
- Date: Tue, 8 Mar 2022 21:49:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-11 06:18:44.404914
- Title: Survival Prediction of Brain Cancer with Incomplete Radiology,
Pathology, Genomics, and Demographic Data
- Title（参考訳）: 不完全放射線学・病理学・ゲノム学・デモグラフィーデータによる脳癌の生存予測
- Authors: Can Cui, Han Liu, Quan Liu, Ruining Deng, Zuhayr Asad, Yaohong
WangShilin Zhao, Haichun Yang, Bennett A. Landman, Yuankai Huo
- Abstract要約: ハードウェア消費と計算効率を最適化したMMDパイプラインを用いた最適マルチモーダル学習を提案する。
4つのモードを用いてグリオーマ腫瘍生存予測を体系的に評価するために、大規模な公共データセット(962人の患者を含む)を収集する。
- 参考スコア（独自算出の注目度）: 17.971933253855354
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Integrating cross-department multi-modal data (e.g., radiological,
pathological, genomic, and clinical data) is ubiquitous in brain cancer
diagnosis and survival prediction. To date, such an integration is typically
conducted by human physicians (and panels of experts), which can be subjective
and semi-quantitative. Recent advances in multi-modal deep learning, however,
have opened a door to leverage such a process to a more objective and
quantitative manner. Unfortunately, the prior arts of using four modalities on
brain cancer survival prediction are limited by a "complete modalities" setting
(i.e., with all modalities available). Thus, there are still open questions on
how to effectively predict brain cancer survival from the incomplete
radiological, pathological, genomic, and demographic data (e.g., one or more
modalities might not be collected for a patient). For instance, should we use
both complete and incomplete data, and more importantly, how to use those data?
To answer the preceding questions, we generalize the multi-modal learning on
cross-department multi-modal data to a missing data setting. Our contribution
is three-fold: 1) We introduce optimal multi-modal learning with missing data
(MMD) pipeline with optimized hardware consumption and computational
efficiency; 2) We extend multi-modal learning on radiological, pathological,
genomic, and demographic data into missing data scenarios; 3) a large-scale
public dataset (with 962 patients) is collected to systematically evaluate
glioma tumor survival prediction using four modalities. The proposed method
improved the C-index of survival prediction from 0.7624 to 0.8053.
- Abstract（参考訳）: 脳がんの診断と生存予測には、横断的な多変種データ(放射線学的、病理学的、ゲノム、臨床データなど)の統合が常に存在する。
このような統合は通常、主観的で半定量的な人間の医師(および専門家のパネル)によって行われる。
しかし、近年のマルチモーダル深層学習の進歩は、そのようなプロセスをより客観的かつ定量的に活用するための扉を開いた。
残念ながら、脳がん生存予測に4つのモダリティを使用する先行技術は、「完全なモダリティ」設定(すなわち全てのモダリティが利用可能)によって制限される。
したがって、不完全な放射線学、病理学、ゲノム学、人口統計学(例えば、患者のために1つ以上のモダリティを収集することができない)から、脳がんの生存を効果的に予測する方法には、未解決の疑問がある。
例えば、完全なデータと不完全なデータの両方を使うべきでしょうか。
先行する質問に答えるために,複数モーダルデータを用いたマルチモーダル学習を,欠落したデータセットに一般化する。
私たちの貢献は3倍です。
1)ハードウェア消費と計算効率を最適化したmmdパイプラインを用いた最適マルチモーダル学習を提案する。
2)放射線学,病理学,ゲノム学,人口統計学に関するマルチモーダル・ラーニングを,データ不足シナリオに拡張する。
3)4つのモダリティを用いたグリオーマ腫瘍生存予測を体系的に評価するために,大規模データセット(962例)を収集した。
提案手法は生存予測のC指数を0.7624から0.8053に改善した。
関連論文リスト
- Embedding-based Multimodal Learning on Pan-Squamous Cell Carcinomas for Improved Survival Outcomes [0.0]
PARADIGMは、マルチモーダルで異質なデータセットから学習し、臨床結果の予測を改善するフレームワークである。
膵扁平上皮癌においてGNNを訓練し,Moffitt Cancer Center肺SCCデータに対するアプローチを検証した。
我々のソリューションは、患者の状況を包括的に理解することを目的としており、異種データ統合と最大データビューの収束の利点についての洞察を提供する。
論文 参考訳（メタデータ） (2024-06-11T22:19:14Z) - MMIST-ccRCC: A Real World Medical Dataset for the Development of Multi-Modal Systems [12.914295902429]
本稿では,MMIST-CCRCCと呼ばれる実世界のマルチモーダルデータセットを紹介する。
このデータセットは、クリア細胞腎細胞癌(ccRCC)618例の2つの放射線学的モダリティ(CTとMRI)、病理組織学、ゲノム学、臨床データからなる。
このような深刻な欠落率であっても、モダリティの融合は生存予測の改善につながることを示す。
論文 参考訳（メタデータ） (2024-05-02T18:29:05Z) - 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) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - 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) - Deep Biological Pathway Informed Pathology-Genomic Multimodal Survival
Prediction [7.133948707208067]
本稿では,新しい生物学的経路インフォームド・病理-ゲノム深層モデルであるPONETを提案する。
提案手法は優れた予測性能を達成し,有意義な生物学的解釈を明らかにする。
論文 参考訳（メタデータ） (2023-01-06T05:24:41Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - 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) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z)
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。