論文の概要: Survival Analysis for Idiopathic Pulmonary Fibrosis using CT Images and
Incomplete Clinical Data
- arxiv url: http://arxiv.org/abs/2203.11391v1
- Date: Mon, 21 Mar 2022 23:48:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 13:30:02.695909
- Title: Survival Analysis for Idiopathic Pulmonary Fibrosis using CT Images and
Incomplete Clinical Data
- Title（参考訳）: CT画像と不完全な臨床データを用いた特発性肺線維症の生存解析
- Authors: Ahmed H. Shahin, Joseph Jacob, Daniel C. Alexander, David Barber
- Abstract要約: 特発性肺線維症(IPF)は線維性肺疾患である。
肺のCTスキャンはIPF患者の臨床的評価を通知し、疾患の進行に関する関連する情報を含む。
臨床および画像データを用いたIPF患者の生存率を予測するために,ニューラルネットワークとメモリバンクを用いたマルチモーダル手法を提案する。
- 参考スコア（独自算出の注目度）: 17.162038700963418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Idiopathic Pulmonary Fibrosis (IPF) is an inexorably progressive fibrotic
lung disease with a variable and unpredictable rate of progression. CT scans of
the lungs inform clinical assessment of IPF patients and contain pertinent
information related to disease progression. In this work, we propose a
multi-modal method that uses neural networks and memory banks to predict the
survival of IPF patients using clinical and imaging data. The majority of
clinical IPF patient records have missing data (e.g. missing lung function
tests). To this end, we propose a probabilistic model that captures the
dependencies between the observed clinical variables and imputes missing ones.
This principled approach to missing data imputation can be naturally combined
with a deep survival analysis model. We show that the proposed framework yields
significantly better survival analysis results than baselines in terms of
concordance index and integrated Brier score. Our work also provides insights
into novel image-based biomarkers that are linked to mortality.
- Abstract（参考訳）: 特発性肺線維症(英: idiopathic pulmonary fibrosis、ipf)は、進行性肺疾患であり、進行速度が可変で予測不能である。
肺のCTスキャンはIPF患者の臨床的評価を通知し、疾患の進行に関する関連する情報を含む。
本研究では、ニューラルネットワークとメモリバンクを用いて、臨床および画像データを用いてIPF患者の生存を予測するマルチモーダル手法を提案する。
臨床IPF患者記録の大半は、欠失データ(例えば、肺機能検査)を持っている。
そこで本研究では,観察された臨床変数間の依存関係を捉える確率論的モデルを提案する。
データインプテーションの欠如に対するこの原則に基づくアプローチは、自然にディープサバイバル分析モデルと組み合わせられる。
提案手法は,コンコーディアンス指標と統合ブライヤスコアにおいて,ベースラインよりも生存率解析結果が有意に良好であることを示す。
私たちの研究は、死亡と関連する新しい画像ベースのバイオマーカーに関する洞察も提供しています。
関連論文リスト
- MM-SurvNet: Deep Learning-Based Survival Risk Stratification in Breast
Cancer Through Multimodal Data Fusion [18.395418853966266]
乳がん生存リスク階層化のための新しい深層学習手法を提案する。
画像特徴抽出には視覚変換器、特にMaxViTモデルを使用し、患者レベルでの複雑な画像関係のキャプチャには自己注意を用いる。
二重クロスアテンション機構はこれらの特徴を遺伝データと融合させ、臨床データを最終層に組み込んで予測精度を高める。
論文 参考訳（メタデータ） (2024-02-19T02:31:36Z) - Graph-based multimodal multi-lesion DLBCL treatment response prediction
from PET images [0.0]
診断後, 標準フロントライン治療における非対応患者数(30～40%)は依然として顕著である。
本研究は,適応治療を必要とする高リスク患者を特定するためのコンピュータ支援アプローチを開発することを目的とする。
複数の病変からのイメージング情報を組み合わせた最近のグラフニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2023-10-25T08:16:45Z) - 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) - DeepMMSA: A Novel Multimodal Deep Learning Method for Non-small Cell
Lung Cancer Survival Analysis [8.78724404464036]
我々は,非小細胞肺癌(NSCLC)生存率解析のための多モード深層学習法,DeepMMSAを提案する。
臨床データと組み合わせてCT画像を活用することにより、医用画像内の豊富な情報を肺がん生存情報に関連付けることができる。
論文 参考訳（メタデータ） (2021-06-12T11:02:14Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for
Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。
胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
論文 参考訳（メタデータ） (2021-03-06T02:16:41Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Potential Features of ICU Admission in X-ray Images of COVID-19 Patients [8.83608410540057]
本稿では,患者ICU入院ラベルを用いたデータセットから,重症度と相関する意味的特徴を抽出する手法を提案する。
この手法は、肺の病態を認識して意味的特徴を抽出するために訓練されたニューラルネットワークを使用する。
この方法では、学習した特徴の画像を選択でき、肺内の一般的な位置に関する情報を翻訳することができる。
論文 参考訳（メタデータ） (2020-09-26T13:48:39Z) - 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) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z)
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。