論文の概要: Deep radiomic signature with immune cell markers predicts the survival
of glioma patients
- arxiv url: http://arxiv.org/abs/2206.04349v1
- Date: Thu, 9 Jun 2022 08:52:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-10 14:12:48.240184
- Title: Deep radiomic signature with immune cell markers predicts the survival
of glioma patients
- Title(参考訳): 免疫細胞マーカーを用いた深部放射線信号によるグリオーマ患者の生存予測
- Authors: Ahmad Chaddad, Paul Daniel Mingli Zhang, Saima Rathore, Paul Sargos,
Christian Desrosiers, Tamim Niazi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 8.386631203775533
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Imaging biomarkers offer a non-invasive way to predict the response of
immunotherapy prior to treatment. In this work, we propose a novel type of deep
radiomic features (DRFs) computed from a convolutional neural network (CNN),
which capture tumor characteristics related to immune cell markers and overall
survival. Our study uses four MRI sequences (T1-weighted, T1-weighted
post-contrast, T2-weighted and FLAIR) with corresponding immune cell markers of
151 patients with brain tumor. The proposed method extracts a total of 180 DRFs
by aggregating the activation maps of a pre-trained 3D-CNN within labeled tumor
regions of MRI scans. These features offer a compact, yet powerful
representation of regional texture encoding tissue heterogeneity. A
comprehensive set of experiments is performed to assess the relationship
between the proposed DRFs and immune cell markers, and measure their
association with overall survival. Results show a high correlation between DRFs
and various markers, as well as significant differences between patients
grouped based on these markers. Moreover, combining DRFs, clinical features and
immune cell markers as input to a random forest classifier helps discriminate
between short and long survival outcomes, with AUC of 72\% and
p=2.36$\times$10$^{-5}$. These results demonstrate the usefulness of proposed
DRFs as non-invasive biomarker for predicting treatment response in patients
with brain tumors.
- Abstract(参考訳): イメージングバイオマーカーは治療前に免疫療法の反応を予測する非侵襲的な方法を提供する。
本研究では,免疫細胞マーカーと全身生存に関連する腫瘍の特徴を抽出する,畳み込みニューラルネットワーク(CNN)から計算した新しい種類の深部放射線学的特徴(DRF)を提案する。
脳腫瘍151例の免疫細胞マーカーを用いた4つのMRI(T1-weighted,T1-weighted post-contrast,T2-weighted,FLAIR)を用いた。
提案手法は,MRI スキャンのラベル付き腫瘍領域内の3D-CNN の活性化マップを集約することにより,合計180個の DRF を抽出する。
これらの特徴は、組織の不均一性をコードする局所的なテクスチャのコンパクトで強力な表現を提供する。
提案するdrfと免疫細胞マーカーとの関係を総合的に評価し, それらの生存率との関連性について検討した。
結果, drfと各種マーカーとの相関が高く, これらのマーカーに基づいて分類した患者間で有意な差が認められた。
さらに、ランダム森林分類器への入力としてDRF、臨床特徴、免疫細胞マーカーを組み合わせることで、短命と長期生存の予後を区別し、AUCは72\%、p=2.36$\times$10$^{-5}$である。
以上の結果から,脳腫瘍に対する治療効果予測のための非侵襲バイオマーカーとしてのDRFの有用性が示唆された。
関連論文リスト
- Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient
Survivability Prediction [0.0]
GBMは成人で最もアグレッシブな脳腫瘍であり、手術や放射線治療による攻撃的治療でも生存率が低い。
放射線治療後のGBM患者のMRIの変化は、放射線誘発壊死(RN)または再発脳腫瘍(rBT)の指標である
本研究では, rBT と RN の分類におけるサブセット標本サイズのバランスをとるために, 統計的に厳密な繰り返しランダムサブサンプリングを用いた計算モデルを提案する。
論文 参考訳(メタデータ) (2023-06-05T21:39:11Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$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) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳(メタデータ) (2022-11-08T11:50:31Z) - Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration [44.99833362998488]
腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。
本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。
悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
論文 参考訳(メタデータ) (2022-11-08T05:46:02Z) - Modeling of Textures to Predict Immune Cell Status and Survival of Brain
Tumour Patients [4.542148087324063]
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。
論文 参考訳(メタデータ) (2022-06-04T03:52:12Z) - Severity classification in cases of Collagen VI-related myopathy with
Convolutional Neural Networks and handcrafted texture features [0.34998703934432684]
コラーゲンVI関連ミオパチーにおける標的筋の分類法として3つの方法が提案されている。
最も良い結果がハイブリッドモデルで得られ、その結果、全世界での精度は93.8%となった。
論文 参考訳(メタデータ) (2022-02-28T15:09:42Z) - A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor
Analysis using MRI [0.28675177318965034]
磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案
第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。
第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
論文 参考訳(メタデータ) (2022-01-14T10:24:47Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - 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) - A digital score of tumour-associated stroma infiltrating lymphocytes
predicts survival in head and neck squamous cell carcinoma [1.116655705522709]
線条体と腫瘍におけるTリンパ球の浸潤は、腫瘍に対する効果的な免疫反応を示し、生存率を向上させる。
深層学習に基づく自動化法は, 腫瘍, ストロマ, リンパ球の分画に用いられた。
リンパ球と腫瘍関連組織腫の空間パターンをデジタルで定量化し,TASILスコアを算出した。
論文 参考訳(メタデータ) (2021-04-16T19:45:00Z) - Segmentation for Classification of Screening Pancreatic Neuroendocrine
Tumors [72.65802386845002]
本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。
我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。
我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
論文 参考訳(メタデータ) (2020-04-04T21:21:44Z)
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。