論文の概要: PD-DWI: Predicting response to neoadjuvant chemotherapy in invasive
breast cancer with Physiologically-Decomposed Diffusion-Weighted MRI
machine-learning model
- arxiv url: http://arxiv.org/abs/2206.05695v1
- Date: Sun, 12 Jun 2022 08:59:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 14:21:28.758110
- Title: PD-DWI: Predicting response to neoadjuvant chemotherapy in invasive
breast cancer with Physiologically-Decomposed Diffusion-Weighted MRI
machine-learning model
- Title(参考訳): PD-DWI : 生理学的に解離した拡散強調MRI機械学習モデルを用いた浸潤乳癌に対する新補助化学療法の効果予測
- Authors: Maya Gilad and Moti Freiman
- Abstract要約: DWIと臨床データからpCRを予測するための生理学的に分解されたDWI機械学習モデルPD-DWIを紹介する。
我々のモデルは、現在のリーダーボードの最良の結果と比較して、曲線下(AUC)の面積を大幅に改善します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Early prediction of pathological complete response (pCR) following
neoadjuvant chemotherapy (NAC) for breast cancer plays a critical role in
surgical planning and optimizing treatment strategies. Recently, machine and
deep-learning based methods were suggested for early pCR prediction from
multi-parametric MRI (mp-MRI) data including dynamic contrast-enhanced MRI and
diffusion-weighted MRI (DWI) with moderate success. We introduce PD-DWI, a
physiologically decomposed DWI machine-learning model to predict pCR from DWI
and clinical data. Our model first decomposes the raw DWI data into the various
physiological cues that are influencing the DWI signal and then uses the
decomposed data, in addition to clinical variables, as the input features of a
radiomics-based XGBoost model. We demonstrated the added-value of our PD-DWI
model over conventional machine-learning approaches for pCR prediction from
mp-MRI data using the publicly available Breast Multi-parametric MRI for
prediction of NAC Response (BMMR2) challenge. Our model substantially improves
the area under the curve (AUC), compared to the current best result on the
leaderboard (0.8849 vs. 0.8397) for the challenge test set. PD-DWI has the
potential to improve prediction of pCR following NAC for breast cancer, reduce
overall mp-MRI acquisition times and eliminate the need for contrast-agent
injection.
- Abstract(参考訳): 乳癌に対するneoadjuvant chemotherapy(nac)後の病理完全反応(pcr)の早期予測は,手術計画と治療戦略の最適化において重要な役割を担っている。
近年, ダイナミックコントラスト強調MRIと拡散強調MRI(DWI)を併用したマルチパラメトリックMRI(mp-MRI)データから, 早期pCR予測のための機械学習法とディープラーニング法が提案されている。
DWIと臨床データからpCRを予測するための生理学的に分解されたDWI機械学習モデルPD-DWIを紹介する。
まずDWI信号に影響を及ぼす様々な生理的手がかりに生のDWIデータを分解し,臨床変数に加えて分解したデータをXGBoostモデルの入力特性として利用する。
NAC応答(BMMR2)課題の予測にBreast Multi-parametric MRIを用いたmp-MRIデータからのpCR予測に対する従来の機械学習手法と比較して,PD-DWIモデルの付加価値を実証した。
本モデルでは,挑戦テストセットのリーダーボード (0.8849 vs. 0.8397) における現在の最良の結果と比較して,曲線下面積(AUC)を大幅に改善する。
PD-DWIは、乳がんに対するNAC後のpCRの予測を改善し、全体的なmp-MRI取得時間を短縮し、造影剤注入の必要性をなくす可能性がある。
関連論文リスト
- Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - 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) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳(メタデータ) (2022-11-10T03:02:12Z) - Recurrence-free Survival Prediction under the Guidance of Automatic
Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。
腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
論文 参考訳(メタデータ) (2022-09-22T18:44:57Z) - Weighted Concordance Index Loss-based Multimodal Survival Modeling for
Radiation Encephalopathy Assessment in Nasopharyngeal Carcinoma Radiotherapy [9.988112475313065]
放射線脳症 (REP) は鼻咽頭癌(NPC)放射線治療の合併症として最も多い。
我々の知る限りでは、画像と非画像データを併用して放射線治療によるREPを予測する最初の試みである。
我々は2つの特徴抽出器を備えた深層マルチモーダルサバイバルネットワーク(MSN)を設計し、マルチモーダルデータから識別的特徴を学習する。
論文 参考訳(メタデータ) (2022-06-23T02:29:40Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳(メタデータ) (2022-03-28T14:03:45Z) - 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) - 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) - Applying a random projection algorithm to optimize machine learning
model for predicting peritoneal metastasis in gastric cancer patients using
CT images [0.3120960917423201]
手術前の癌転移のリスクを非侵襲的に予測することは、最適な治療方法を決定する上で重要な役割を担っている。
本研究では,小・不均衡の画像データセットを用いて最適な機械学習モデルを構築するための新しいアプローチについて検討する。
論文 参考訳(メタデータ) (2020-09-01T19:53:09Z) - Deep learning-based prediction of response to HER2-targeted neoadjuvant
chemotherapy from pre-treatment dynamic breast MRI: A multi-institutional
validation study [0.5149010213385097]
乳がんにおけるネオアジュバント療法の適応予測は, 重篤な課題である。
ディープラーニングは、乳がんの標的治療をガイドするための、効果的で信頼性の高いツールを提供する。
論文 参考訳(メタデータ) (2020-01-22T17:54:24Z)
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。