論文の概要: Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung
Nodules Using Time-Series Deep Learning
- arxiv url: http://arxiv.org/abs/2203.16606v1
- Date: Wed, 30 Mar 2022 18:40:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-02 11:59:55.662469
- Title: Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung
Nodules Using Time-Series Deep Learning
- Title（参考訳）: 時系列深層学習を用いたスクリーン検出肺結節の診断精度の向上
- Authors: Shahab Aslani, Pavan Alluri, Eyjolfur Gudmundsson, Edward Chandy, John
McCabe, Anand Devaraj, Carolyn Horst, Sam M Janes, Rahul Chakkara, Arjun
Nair, Daniel C Alexander, SUMMIT consortium, and Joseph Jacob
- Abstract要約: 低用量CTによる肺がん検診(LCS)は肺がん死亡率を著しく低下させることが証明された。
肺結節の悪性度リスクの階層化を改善するには, マシン/ディープ学習アルゴリズムが有用である。
本稿では,時系列深層学習モデル(DeepCAD-NLM-L)の性能について述べる。
- 参考スコア（独自算出の注目度）: 2.744770849264355
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lung cancer is the leading cause of cancer-related mortality worldwide. Lung
cancer screening (LCS) using annual low-dose computed tomography (CT) scanning
has been proven to significantly reduce lung cancer mortality by detecting
cancerous lung nodules at an earlier stage. Improving risk stratification of
malignancy risk in lung nodules can be enhanced using machine/deep learning
algorithms. However most existing algorithms: a) have primarily assessed single
time-point CT data alone thereby failing to utilize the inherent advantages
contained within longitudinal imaging datasets; b) have not integrated into
computer models pertinent clinical data that might inform risk prediction; c)
have not assessed algorithm performance on the spectrum of nodules that are
most challenging for radiologists to interpret and where assistance from
analytic tools would be most beneficial.
Here we show the performance of our time-series deep learning model
(DeepCAD-NLM-L) which integrates multi-model information across three
longitudinal data domains: nodule-specific, lung-specific, and clinical
demographic data. We compared our time-series deep learning model to a)
radiologist performance on CTs from the National Lung Screening Trial enriched
with the most challenging nodules for diagnosis; b) a nodule management
algorithm from a North London LCS study (SUMMIT). Our model demonstrated
comparable and complementary performance to radiologists when interpreting
challenging lung nodules and showed improved performance (AUC=88\%) against
models utilizing single time-point data only. The results emphasise the
importance of time-series, multi-modal analysis when interpreting malignancy
risk in LCS.
- Abstract（参考訳）: 肺がんは世界中でがん関連死亡の原因となっている。
低用量CTによる肺がん検診(LCS)は,早期に癌性肺結節を検出することにより,肺がんの死亡率を著しく低下させることが証明された。
肺結節の悪性度リスクの階層化を改善するには, マシン/ディープ学習アルゴリズムを用いる。
しかし既存のアルゴリズムの多くは
a) 主に単点CTデータのみを評価した結果、縦断的画像データセットに含まれる固有の利点を活用できない。
b) リスク予測を示唆する臨床データをコンピュータモデルに統合していないこと。
c) 放射線科医が解釈し、分析ツールからの援助が最も有益であるノジュールのスペクトルにおけるアルゴリズムのパフォーマンスを評価していないこと。
本稿では3つの縦断的データ領域(結節特異的、肺特異的、臨床統計データ)にまたがる多モデル情報を統合する時系列深層学習モデル(DeepCAD-NLM-L)の性能について述べる。
私たちは時系列ディープラーニングモデルと比べました。
a) 診断に最も困難な結節を多く含む国立肺検診所のCTの放射線技師のパフォーマンス
b) 北ロンドンlcs研究(summit)による結節管理アルゴリズム。
本モデルでは, 難治性肺結節の解釈において, 放射線科医に比較し, 相補的な性能を示し, 単一時間点データのみを用いたモデルに対する性能改善(auc=88\%)を示した。
その結果,LCSにおける悪性度リスクの解釈における時系列・マルチモーダル分析の重要性を強調した。
関連論文リスト
- Improving Lung Cancer Diagnosis and Survival Prediction with Deep Learning and CT Imaging [12.276877277186284]
肺癌は主要ながん関連死亡例であり、早期診断と治療は患者の生存率の向上に不可欠である。
肺がんのリスクと肺のリスクとの間に得られるネットワークの神経畳み込みネットワークをCT実験に応用することを提案する。
以上の結果から, 肺がん発生リスクと肺がん発生リスクの予測に, ミニバッチド・ロスとバイナリ・クロスエントロピーが有効であったことが示唆された。
論文 参考訳（メタデータ） (2024-08-18T05:45:08Z) - Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - Double Integral Enhanced Zeroing Neural Network Optimized with ALSOA
fostered Lung Cancer Classification using CT Images [1.1510009152620668]
肺がんは最も致命的な疾患の1つであり、疾患や死亡の原因となっている。
提案手法は既存の手法で解析した18.32%,27.20%,34.32%の精度で得られた。
論文 参考訳（メタデータ） (2023-12-05T10:53:35Z) - Identification of lung nodules CT scan using YOLOv5 based on convolution
neural network [0.0]
本研究は, 肺に発生する結節を同定することを目的とした。
1段階検出器YOLOv5は280 CT SCANで訓練された。
論文 参考訳（メタデータ） (2022-12-31T17:31:22Z) - Lung nodules segmentation from CT with DeepHealth toolkit [6.980270783615686]
本研究の目的は,PyECVLおよびPyEDDLライブラリを含むDeephealthツールキットが肺結節を正確に分節できることを実証することであった。
以上の結果から, 肺結節の広範囲にわたる精密な分節化と, 従来の検出法よりも精度がよいことが示唆された。
論文 参考訳（メタデータ） (2022-08-01T06:54:12Z) - Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule
Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。
ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。
このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文 参考訳（メタデータ） (2022-07-19T16:38:48Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - Debiasing pipeline improves deep learning model generalization for X-ray
based lung nodule detection [11.228544549618068]
肺がんは世界中でがん死の主要な原因であり、予後は早期診断に依存している。
胸部X線像を均質化し,除染する画像前処理パイプラインは,内部分類と外部一般化の両方を改善することができることを示す。
進化的プルーニング機構は、一般に利用可能な肺結節X線データセットから最も情報性の高い画像に基づいて結節検出深層学習モデルを訓練するために用いられる。
論文 参考訳（メタデータ） (2022-01-24T10:08:07Z) - 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) - 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)
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。