論文の概要: EOCSA: Predicting Prognosis of Epithelial Ovarian Cancer with Whole
Slide Histopathological Images
- arxiv url: http://arxiv.org/abs/2210.05258v1
- Date: Tue, 11 Oct 2022 08:40:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 15:28:58.489700
- Title: EOCSA: Predicting Prognosis of Epithelial Ovarian Cancer with Whole
Slide Histopathological Images
- Title（参考訳）: EOCSA : 全スライス組織像による上皮性卵巣癌の予後予測
- Authors: Tianling Liu and Ran Su and Changming Sun and Xiuting Li and Leyi Wei
- Abstract要約: 卵巣がんは、世界中の女性を脅かす最も深刻ながんの1つである。
本研究では,病的全スライド画像(WSI)に基づいてEOC患者の予後を解析するEOCSAというディープフレームワークを設計した。
実験の結果,本フレームワークは0.980Cインデクスの最先端性能を実現していることがわかった。
- 参考スコア（独自算出の注目度）: 22.227676868758195
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ovarian cancer is one of the most serious cancers that threaten women around
the world. Epithelial ovarian cancer (EOC), as the most commonly seen subtype
of ovarian cancer, has rather high mortality rate and poor prognosis among
various gynecological cancers. Survival analysis outcome is able to provide
treatment advices to doctors. In recent years, with the development of medical
imaging technology, survival prediction approaches based on pathological images
have been proposed. In this study, we designed a deep framework named EOCSA
which analyzes the prognosis of EOC patients based on pathological whole slide
images (WSIs). Specifically, we first randomly extracted patches from WSIs and
grouped them into multiple clusters. Next, we developed a survival prediction
model, named DeepConvAttentionSurv (DCAS), which was able to extract
patch-level features, removed less discriminative clusters and predicted the
EOC survival precisely. Particularly, channel attention, spatial attention, and
neuron attention mechanisms were used to improve the performance of feature
extraction. Then patient-level features were generated from our weight
calculation method and the survival time was finally estimated using LASSO-Cox
model. The proposed EOCSA is efficient and effective in predicting prognosis of
EOC and the DCAS ensures more informative and discriminative features can be
extracted. As far as we know, our work is the first to analyze the survival of
EOC based on WSIs and deep neural network technologies. The experimental
results demonstrate that our proposed framework has achieved state-of-the-art
performance of 0.980 C-index. The implementation of the approach can be found
at https://github.com/RanSuLab/EOCprognosis.
- Abstract（参考訳）: 卵巣がんは、世界中の女性を脅かす最も深刻ながんの1つである。
卵巣上皮癌(EOC, Epithelial ovarian Cancer, EOC)は, 卵巣がんの亜型として最も多く見られるが, 死亡率が高く, 予後不良である。
生存分析の結果は医師に治療アドバイスを提供することができる。
近年, 医用画像技術の発展に伴い, 病理像に基づく生存予測手法が提案されている。
本研究では,病的全スライド画像(WSI)に基づいてEOC患者の予後を解析するEOCSAというディープフレームワークを設計した。
具体的には、wsisからランダムにパッチを抽出し、それらを複数のクラスタにグループ化した。
次に, パッチレベルの特徴を抽出し, 識別クラスタを少なくし, eoc生存率を正確に予測するdeepconvattentionsurv(dcas)という生存予測モデルを開発した。
特にチャネルの注意、空間的注意、ニューロンの注意機構は特徴抽出の性能を向上させるために用いられた。
体重計算法から患者レベルの特徴を抽出し,LASSO-Coxモデルを用いて生存時間を推定した。
提案したEOCSAはEOCの予後を予測するのに効率的かつ効果的であり、DCASはより情報的かつ識別的な特徴を抽出できるようにする。
私たちが知る限り、私たちの研究は、WSIとディープニューラルネットワーク技術に基づいてEOCの生存を初めて分析しました。
実験の結果,提案フレームワークは0.980 c-indexの最先端性能を達成した。
このアプローチの実装はhttps://github.com/RanSuLab/EOCprognosisで見ることができる。
関連論文リスト
- Deep Neural Networks for Predicting Recurrence and Survival in Patients with Esophageal Cancer After Surgery [0.0]
食道癌は、国際的にがん関連死亡の主な原因である。
疾患のない生存(DFS)と総合生存(OS)の3つのモデルにおける予後因子の同定と識別性能について検討した。
DeepSurvとDeepHitは、CoxPHに匹敵する識別精度を示した。
論文 参考訳（メタデータ） (2024-08-30T16:20:47Z) - Benchmarking Histopathology Foundation Models for Ovarian Cancer Bevacizumab Treatment Response Prediction from Whole Slide Images [1.4999444543328293]
大規模全スライド画像(WSI)で訓練した最新の病理組織基盤モデルを用いて, 卵巣腫瘍組織の特徴を抽出し, ベクチズマブ反応を予測する。
我々の生存モデルは、統計的に有意な高リスクおよび低リスクのケースを成層化することができる。
論文 参考訳（メタデータ） (2024-07-30T07:15:39Z) - Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。
医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。
本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
論文 参考訳（メタデータ） (2024-04-11T21:47:13Z) - Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted
Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。
拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。
本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文 参考訳（メタデータ） (2023-11-30T15:11:03Z) - Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework
for Breast Cancer Detection and Segmentation [48.08423125835335]
MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。
放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
論文 参考訳（メタデータ） (2023-08-27T22:07:42Z) - Pathology-and-genomics Multimodal Transformer for Survival Outcome
Prediction [43.1748594898772]
大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。
ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。
我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
論文 参考訳（メタデータ） (2023-07-22T00:59:26Z) - 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) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳（メタデータ） (2022-02-17T08:33:52Z) - Analysis of MRI Biomarkers for Brain Cancer Survival Prediction [0.3093890460224435]
マルチモーダルMRIによる脳がん患者の総合生存率(OS)の予測は、研究の難しい分野である。
生存予測に関する既存の文献のほとんどは、放射能の特徴に基づいている。
年齢は最も重要な生物学的予測因子であることがわかった。
論文 参考訳（メタデータ） (2021-09-03T05:35:47Z) - Gradient Boosting on Decision Trees for Mortality Prediction in
Transcatheter Aortic Valve Implantation [5.050648346154715]
心臓外科における現在の予後リスクスコアは統計に基づいており、まだ機械学習の恩恵を受けていない。
本研究は,TAVI後の患者の1年間の死亡率を予測する機械学習モデルの構築を目的とする。
論文 参考訳（メタデータ） (2020-01-08T10:04:42Z)
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。