論文の概要: Weighted Concordance Index Loss-based Multimodal Survival Modeling for
Radiation Encephalopathy Assessment in Nasopharyngeal Carcinoma Radiotherapy
- arxiv url: http://arxiv.org/abs/2206.11458v1
- Date: Thu, 23 Jun 2022 02:29:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-24 14:30:51.123952
- Title: Weighted Concordance Index Loss-based Multimodal Survival Modeling for
Radiation Encephalopathy Assessment in Nasopharyngeal Carcinoma Radiotherapy
- Title（参考訳）: 上咽頭癌放射線治療における放射線脳症評価のための重み付きconcordance index loss-based multimodal survival modeling
- Authors: Jiansheng Fang, Anwei Li, Pu-Yun OuYang, Jiajian Li, Jingwen Wang,
Hongbo Liu, Fang-Yun Xie, Jiang Liu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.988112475313065
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiation encephalopathy (REP) is the most common complication for
nasopharyngeal carcinoma (NPC) radiotherapy. It is highly desirable to assist
clinicians in optimizing the NPC radiotherapy regimen to reduce
radiotherapy-induced temporal lobe injury (RTLI) according to the probability
of REP onset. To the best of our knowledge, it is the first exploration of
predicting radiotherapy-induced REP by jointly exploiting image and non-image
data in NPC radiotherapy regimen. We cast REP prediction as a survival analysis
task and evaluate the predictive accuracy in terms of the concordance index
(CI). We design a deep multimodal survival network (MSN) with two feature
extractors to learn discriminative features from multimodal data. One feature
extractor imposes feature selection on non-image data, and the other learns
visual features from images. Because the priorly balanced CI (BCI) loss
function directly maximizing the CI is sensitive to uneven sampling per batch.
Hence, we propose a novel weighted CI (WCI) loss function to leverage all REP
samples effectively by assigning their different weights with a dual average
operation. We further introduce a temperature hyper-parameter for our WCI to
sharpen the risk difference of sample pairs to help model convergence. We
extensively evaluate our WCI on a private dataset to demonstrate its
favourability against its counterparts. The experimental results also show
multimodal data of NPC radiotherapy can bring more gains for REP risk
prediction.
- Abstract（参考訳）: 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。
放射線治療による側頭葉損傷(rtli)を発症確率に応じて軽減するためにnpc放射線療法の最適化を臨床医に支援することが極めて望ましい。
我々の知る限り、NPC放射線療法における画像と非画像データを併用することにより、放射線治療によるREPの予測を初めて行う。
我々はREP予測を生存分析タスクとし、一致指数(CI)の観点から予測精度を評価する。
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。
1つの特徴抽出器は非画像データに特徴選択を課し、もう1つは画像から視覚特徴を学習する。
予めバランスのとれたCI(BCI)損失関数がCIを直接最大化するので、バッチ毎に不均一なサンプリングに敏感である。
そこで本研究では,異なる重みを2重平均演算で割り当てることで,すべてのREPサンプルを効果的に活用する,新しい重み付きCI損失関数を提案する。
さらに、WCIの温度ハイパーパラメータを導入し、サンプルペアのリスク差を鋭くし、モデル収束を支援する。
我々は、WCIをプライベートデータセットで広範囲に評価し、そのデータセットに対する好適性を実証した。
実験の結果,NPC放射線治療のマルチモーダルデータはREPリスク予測により多くの利益をもたらすことが示された。
関連論文リスト
- Enhanced Cascade Prostate Cancer Classifier in mp-MRI Utilizing Recall Feedback Adaptive Loss and Prior Knowledge-Based Feature Extraction [4.00189087655119]
本稿では, 先行知識を取り入れ, 不均一な医用サンプル分布の問題に対処し, mpMRIにおける高い解釈可能性を維持するソリューションを提案する。
まず,前立腺癌に対するPI-RADS基準をモデルトレーニングの診断情報として数学的にモデル化する,事前知識に基づく特徴抽出手法を提案する。
次に、極めて不均衡なデータ問題に対処するため、適応的リコールフィードバック損失を提案する。
第3に、前立腺癌を解釈可能な方法で異なるレベルに分類する拡張前立腺癌を設計する。
論文 参考訳（メタデータ） (2024-08-19T07:18:06Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Efficient and robust transfer learning of optimal individualized
treatment regimes with right-censored survival data [7.308241944759317]
個別治療体制(英: individualized treatment regime、ITR)は、患者の特徴に基づいて治療を割り当てる決定規則である。
本稿では、値関数の2倍頑健な推定器を提案し、その最適ITRは、予め指定されたIRRのクラス内の値関数を最大化することにより学習する。
重篤なメタボリックアシダ血症に対するバイカーボネートナトリウム療法のシミュレーションおよび実データによる評価を行った。
論文 参考訳（メタデータ） (2023-01-13T11:47:10Z) - RadioPathomics: Multimodal Learning in Non-Small Cell Lung Cancer for
Adaptive Radiotherapy [1.8161758803237067]
非小細胞肺癌に対する放射線治療成績を予測するため, マルチモーダルレイトフュージョン法を開発した。
実験により、AUCが90.9%ドルと同等のマルチモーダルパラダイムが、各ユニモーダルアプローチより優れていることが示された。
論文 参考訳（メタデータ） (2022-04-26T16:32:52Z) - Tensor Radiomics: Paradigm for Systematic Incorporation of
Multi-Flavoured Radiomics Features [0.3569980414613667]
放射能シグネチャの構築を最適化するために,複数のパラメータの組み合わせで計算した特徴のフレーバーを用いた放射能(TR)を提案する。
PET/CT,MRI,CTイメージング機械学習,深層学習ソリューションに適用したTRの例を示す。
以上の結果から,提案するTRパラダイムは,様々な医用画像タスクの性能向上に寄与する可能性が示唆された。
論文 参考訳（メタデータ） (2022-03-12T02:20:54Z) - 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) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Simultaneous Estimation of X-ray Back-Scatter and Forward-Scatter using
Multi-Task Learning [59.17383024536595]
後方散乱は複雑な介入の際の患者(皮膚)の服用に大きく寄与する。
前方散乱放射線は投影画像のコントラストを低減し、3次元再構成でアーティファクトを導入する。
本稿では,従来の手法と学習に基づく手法を組み合わせて,検出器に到達した前方散乱を同時に推定する手法を提案する。
論文 参考訳（メタデータ） (2020-07-08T10:47:37Z) - Prediction of Thrombectomy Functional Outcomes using Multimodal Data [2.358784542343728]
本稿では,マルチモーダルデータを直接活用し,血管内治療の成功を推定するための新しいディープラーニング手法を提案する。
我々は、チャネルワイドおよび空間的にグローバルな特徴間距離をモデル化するためのアテンションメカニズムをアーキテクチャに組み込んだ。
論文 参考訳（メタデータ） (2020-05-26T21:51:58Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-06T13:03:42Z)
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。