Fugu-MT 論文翻訳(概要): Multimodal Learning for Non-small Cell Lung Cancer Prognosis

論文の概要: Multimodal Learning for Non-small Cell Lung Cancer Prognosis

arxiv url: http://arxiv.org/abs/2211.03280v1
Date: Mon, 7 Nov 2022 03:09:47 GMT
ステータス: 処理完了
システム内更新日: 2022-11-08 15:33:45.174586
Title: Multimodal Learning for Non-small Cell Lung Cancer Prognosis
Title（参考訳）: 非小細胞肺癌予後のマルチモーダル学習
Authors: Yujiao Wu, Yaxiong Wang, Xiaoshui Huang, Fan Yang, Sai Ho Ling and Steven Weidong Su
Abstract要約: 本稿では,肺癌の生存時間分析の課題に焦点をあてる。肺癌に対する従来的およびいくつかの深層学習に基づく生存時間分析は、主にテキスト臨床情報に基づくものである。我々は,Lite-ProSENetという生存分析ネットワークに対して,スマートな相互モダリティネットワークを提供する。
参考スコア（独自算出の注目度）: 10.321835786169894
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper focuses on the task of survival time analysis for lung cancer. Although much progress has been made in this problem in recent years, the performance of existing methods is still far from satisfactory. Traditional and some deep learning-based survival time analyses for lung cancer are mostly based on textual clinical information such as staging, age, histology, etc. Unlike existing methods that predicting on the single modality, we observe that a human clinician usually takes multimodal data such as text clinical data and visual scans to estimate survival time. Motivated by this, in this work, we contribute a smart cross-modality network for survival analysis network named Lite-ProSENet that simulates a human's manner of decision making. Extensive experiments were conducted using data from 422 NSCLC patients from The Cancer Imaging Archive (TCIA). The results show that our Lite-ProSENet outperforms favorably again all comparison methods and achieves the new state of the art with the 89.3% on concordance. The code will be made publicly available.
Abstract（参考訳）: 本稿では,肺癌の生存時間分析の課題に焦点を当てた。近年,この問題には多くの進展があるが,既存の手法の性能はまだまだ十分ではない。肺癌に対する従来的およびいくつかの深層学習に基づく生存時間分析は、主にステージング、年齢、組織学などのテキスト臨床情報に基づいている。単一モードで予測する既存の方法とは異なり、人間の臨床医は通常、テキスト臨床データや視覚スキャンなどのマルチモーダルデータを用いて生存時間を推定する。そこで本研究では,人間の意思決定方法をシミュレートするLite-ProSENetという,生存分析ネットワークのための,スマートな相互モダリティネットワークを提案する。がん画像アーカイブ(tcia)の422名のnsclc患者のデータを用いて広範な実験を行った。その結果、Lite-ProSENetは、全ての比較手法を好適に上回り、89.3%の一致で新たな技術状態を達成することがわかった。コードは公開される予定だ。

関連論文リスト

Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文参考訳（メタデータ） (2024-07-02T19:30:25Z)
Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文参考訳（メタデータ） (2022-11-18T03:26:31Z)
FastCPH: Efficient Survival Analysis for Neural Networks [57.03275837523063]
我々は,線形時間で動作する新しい手法であるFastCPHを提案し,連結イベントに対する標準的なBreslow法とEfron法の両方をサポートする。また,FastCPHとLassoNetの併用による特徴空間の解釈性も実証した。
論文参考訳（メタデータ） (2022-08-21T03:35:29Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文参考訳（メタデータ） (2022-04-07T22:14:37Z)
Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung Nodules Using Time-Series Deep Learning [2.744770849264355]
低用量CTによる肺がん検診(LCS)は肺がん死亡率を著しく低下させることが証明された。肺結節の悪性度リスクの階層化を改善するには, マシン/ディープ学習アルゴリズムが有用である。本稿では,時系列深層学習モデル(DeepCAD-NLM-L)の性能について述べる。
論文参考訳（メタデータ） (2022-03-30T18:40:36Z)
Survival Analysis for Idiopathic Pulmonary Fibrosis using CT Images and Incomplete Clinical Data [17.162038700963418]
特発性肺線維症(IPF)は線維性肺疾患である。肺のCTスキャンはIPF患者の臨床的評価を通知し、疾患の進行に関する関連する情報を含む。臨床および画像データを用いたIPF患者の生存率を予測するために,ニューラルネットワークとメモリバンクを用いたマルチモーダル手法を提案する。
論文参考訳（メタデータ） (2022-03-21T23:48:47Z)
Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文参考訳（メタデータ） (2022-02-08T10:03:24Z)
DeepMMSA: A Novel Multimodal Deep Learning Method for Non-small Cell Lung Cancer Survival Analysis [8.78724404464036]
我々は,非小細胞肺癌(NSCLC)生存率解析のための多モード深層学習法,DeepMMSAを提案する。臨床データと組み合わせてCT画像を活用することにより、医用画像内の豊富な情報を肺がん生存情報に関連付けることができる。
論文参考訳（メタデータ） (2021-06-12T11:02:14Z)
Automatic Generation of Interpretable Lung Cancer Scoring Models from Chest X-Ray Images [9.525711971667679]
肺がんは世界中でがんの死因となっている。深層学習技術は肺がんの診断に有効である。これらの技術は、まだ医療コミュニティによって承認され、採用されていない。
論文参考訳（メタデータ） (2020-12-10T04:11:59Z)
ProCAN: Progressive Growing Channel Attentive Non-Local Network for Lung Nodule Classification [0.0]
CT検診における肺癌の分類は,早期発見の最も重要な課題の一つである。近年、肺結節を悪性または良性に分類する深層学習モデルが提案されている。肺結節分類のためのProCAN(Progressive Growing Channel Attentive Non-Local)ネットワークを提案する。
論文参考訳（メタデータ） (2020-10-29T08:42:11Z)

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。