論文の概要: Modeling of Textures to Predict Immune Cell Status and Survival of Brain
Tumour Patients
- arxiv url: http://arxiv.org/abs/2206.01897v1
- Date: Sat, 4 Jun 2022 03:52:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-12 13:20:33.594241
- Title: Modeling of Textures to Predict Immune Cell Status and Survival of Brain
Tumour Patients
- Title（参考訳）: 脳腫瘍患者の免疫細胞状態と生存予測のためのテクスチャのモデル化
- Authors: Ahmad Chaddad, Mingli Zhang, Lama Hassan, Tamim Niazi
- Abstract要約: 放射線医学は、グリオーマのような様々な種類のがんが臨床結果を予測する能力を示した。
深部放射線学的特徴(DRF)を用いたグリオーマ患者の免疫マーカー(低値と高値)と生存率の予測を目指す。
提案したDRFと3つの免疫細胞マーカー(マクロファージM1,好中球,T細胞卵胞ヘルパー)の関連性を評価し,それらの生存率との関連性について検討した。
- 参考スコア（独自算出の注目度）: 4.542148087324063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radiomics has shown a capability for different types of cancers such as
glioma to predict the clinical outcome. It can have a non-invasive means of
evaluating the immunotherapy response prior to treatment. However, the use of
deep convolutional neural networks (CNNs)-based radiomics requires large
training image sets. To avoid this problem, we investigate a new imaging
features that model distribution with a Gaussian mixture model (GMM) of learned
3D CNN features. Using these deep radiomic features (DRFs), we aim to predict
the immune marker status (low versus high) and overall survival for glioma
patients. We extract the DRFs by aggregating the activation maps of a
pre-trained 3D-CNN within labeled tumor regions of MRI scans that corresponded
immune markers of 151 patients. Our experiments are performed to assess the
relationship between the proposed DRFs, three immune cell markers (Macrophage
M1, Neutrophils and T Cells Follicular Helper), and measure their association
with overall survival. Using the random forest (RF) model, DRFs was able to
predict the immune marker status with area under the ROC curve (AUC) of 78.67,
83.93 and 75.67\% for Macrophage M1, Neutrophils and T Cells Follicular Helper,
respectively. Combined the immune markers with DRFs and clinical variables,
Kaplan-Meier estimator and Log-rank test achieved the most significant
difference between predicted groups of patients (short-term versus long-term
survival) with p\,=\,4.31$\times$10$^{-7}$ compared to p\,=\,0.03 for Immune
cell markers, p\,=\,0.07 for clinical variables , and
p\,=\,1.45$\times$10$^{-5}$ for DRFs. Our findings indicate that the proposed
features (DRFs) used in RF models may significantly consider prognosticating
patients with brain tumour prior to surgery through regularly acquired imaging
data.
- Abstract（参考訳）: 放射線はグリオーマのような様々な種類のがんに対して臨床結果を予測する能力を示している。
治療前に免疫療法反応を評価する非侵襲的な手段を持つことができる。
しかし、深層畳み込みニューラルネットワーク(cnns)ベースの放射能を使用するには、大きなトレーニング画像セットが必要である。
この問題を回避するため,学習した3次元CNN特徴のガウス混合モデル(GMM)を用いて分布をモデル化する新しい画像特徴について検討する。
これらの深部放射線学的特徴 (DRF) を用いて, グリオーマ患者に対する免疫マーカー(低値と高値)と全身生存率の予測を目的とした。
151例の免疫マーカーに対応するmriスキャンのラベル付き腫瘍領域に、予め訓練された3d-cnnの活性化マップを集約してdrfを抽出する。
提案するdrfと3種類の免疫細胞マーカー(macrophage m1,好中球,t細胞卵胞ヘルパー)の関係を評価し,それらの生存率との関連性について検討した。
ランダムフォレスト(RF)モデルを用いて、DRFは、マクロファージM1、好中球およびT細胞卵胞ヘルパーにおいて、それぞれ78.67、83.93、75.67\%のLOC曲線(AUC)以下の領域で免疫マーカーの状態を予測することができた。
免疫マーカーをDRFと臨床変数と組み合わせ、Kaplan-Meier estimatorおよびLog-rank testは、予測された患者群(短期生存と長期生存)と、p\,=\,4.31$\times$10$^{-7}$と、免疫細胞マーカーのp\,=\,0.03、臨床変数のp\,=\,0.07、DRFのp\,=\,1.45$\times$10$^{-5}$との間に最も有意な差が認められた。
RFモデルで提案した特徴 (DRFs) は, 手術前の脳腫瘍の予後を画像データを用いて有意に検討する可能性が示唆された。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient
Survivability Prediction [0.0]
GBMは成人で最もアグレッシブな脳腫瘍であり、手術や放射線治療による攻撃的治療でも生存率が低い。
放射線治療後のGBM患者のMRIの変化は、放射線誘発壊死(RN)または再発脳腫瘍(rBT)の指標である
本研究では, rBT と RN の分類におけるサブセット標本サイズのバランスをとるために, 統計的に厳密な繰り返しランダムサブサンプリングを用いた計算モデルを提案する。
論文 参考訳（メタデータ） (2023-06-05T21:39:11Z) - Domain-specific transfer learning in the automated scoring of
tumor-stroma ratio from histopathological images of colorectal cancer [1.2264932946286657]
腫瘍-ストローマ比 (TSR) は多くの種類の固形腫瘍の予後因子である。
この方法は、大腸癌組織を分類するために訓練された畳み込みニューラルネットワークに基づいている。
論文 参考訳（メタデータ） (2022-12-30T12:27:27Z) - Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumors
Molecular Subtype Identification Using 3D Probability Distributions of Tumor
Location [0.0]
pLGGサブタイプ同定のためのCNNモデルは腫瘍セグメンテーションに依存している。
我々はMRIデータにおける腫瘍位置確率を用いてCNNモデルを拡張することを提案する。
腫瘍位置をCNNモデルに組み込むことにより,統計的に有意な改善が得られた。
論文 参考訳（メタデータ） (2022-10-13T18:30:11Z) - 3D-Morphomics, Morphological Features on CT scans for lung nodule
malignancy diagnosis [8.728543774561405]
本研究はCTボリュームにおける形態学的特徴(3次元形態学)に基づく病理状態の予測モデルを構築した。
その後、XGBoost教師付き分類器が3次元形態学で訓練され、病理状態を予測する。
肺結節の悪性度と良性度との分類モデルでは, 3D-morphomicsのみを用いて0.964のAUCが得られる。
論文 参考訳（メタデータ） (2022-07-27T23:50:47Z) - Deep radiomic signature with immune cell markers predicts the survival
of glioma patients [8.386631203775533]
畳み込みニューラルネットワーク(CNN)から計算した新しい種類の深部放射線特徴量(DRF)を提案する。
提案手法は,MRIスキャンのラベル付き腫瘍領域内で,事前訓練した3D-CNNの活性化マップを集約することにより,合計180個のRFを抽出する。
その結果, DRFと各種マーカーとの間には高い相関がみられ, これらのマーカーに基づいて分類した患者間で有意差が認められた。
論文 参考訳（メタデータ） (2022-06-09T08:52:15Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳（メタデータ） (2021-02-10T15:10:37Z) - 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) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳（メタデータ） (2020-02-13T15:28:42Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。