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
- 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) - 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) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳(メタデータ) (2023-07-07T13:09:07Z) - Breast Cancer Detection and Diagnosis: A comparative study of
state-of-the-arts deep learning architectures [3.883460584034766]
南アフリカなど世界3カ国の乳がん患者の生存率は驚くほど低い。
医療専門家や研究者は、エンドツーエンドソリューションを開発するために、ドメイン固有のAIアプローチ、特にディープラーニングモデルに目を向けている。
本研究では、ビジョントランスフォーマー(ViT)と呼ばれる比較的新しいモデルと比較して、様々な最先端畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価することに焦点を当てる。
論文 参考訳(メタデータ) (2023-05-31T15:21:34Z) - 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) - 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) - 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) - EPIC-Survival: End-to-end Part Inferred Clustering for Survival
Analysis, Featuring Prognostic Stratification Boosting [0.0]
epic-survival bridgeは、エンドツーエンドサバイバルモデリングアプローチにエンコードし、集約する。
肝内胆管癌のモデルとしてEPIC-Survivalが有用であった。
論文 参考訳(メタデータ) (2021-01-26T21:11:45Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳(メタデータ) (2020-12-06T03:41:51Z) - 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。