論文の概要: Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients
- arxiv url: http://arxiv.org/abs/2211.04180v2
- Date: Thu, 30 Mar 2023 08:07:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 17:40:45.003160
- Title: Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients
- Title(参考訳): PDAC患者に対する治療効果予測のためのセグメンテーションラベルと表現学習
- Authors: Alexander Ziller, Ayhan Can Erdur, Friederike Jungmann, Daniel
Rueckert, Rickmer Braren, Georgios Kaissis
- Abstract要約: 化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
- 参考スコア(独自算出の注目度): 60.78505216352878
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The prediction of pancreatic ductal adenocarcinoma therapy response is a
clinically challenging and important task in this high-mortality tumour entity.
The training of neural networks able to tackle this challenge is impeded by a
lack of large datasets and the difficult anatomical localisation of the
pancreas. Here, we propose a hybrid deep neural network pipeline to predict
tumour response to initial chemotherapy which is based on the Response
Evaluation Criteria in Solid Tumors (RECIST) score, a standardised method for
cancer response evaluation by clinicians as well as tumour markers, and
clinical evaluation of the patients. We leverage a combination of
representation transfer from segmentation to classification, as well as
localisation and representation learning. Our approach yields a remarkably
data-efficient method able to predict treatment response with a ROC-AUC of
63.7% using only 477 datasets in total.
- Abstract(参考訳): 膵管腺癌治療反応の予測は、この高モルティリティ腫瘍における臨床的に困難かつ重要な課題である。
この課題に対処できるニューラルネットワークのトレーニングは、大規模なデータセットの欠如と、膵臓の解剖学的局在の困難さによって妨げられている。
そこで本研究では,固形腫瘍(recist)スコアにおける反応評価基準,臨床医による癌反応評価の標準化方法,腫瘍マーカーを用いた臨床評価に基づく,初期化学療法に対する腫瘍反応予測のためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達と局所化と表現学習の組み合わせを活用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる極めて効率的な手法である。
関連論文リスト
- 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) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳(メタデータ) (2023-10-08T17:23:17Z) - Segmentation-based Assessment of Tumor-Vessel Involvement for Surgical
Resectability Prediction of Pancreatic Ductal Adenocarcinoma [1.880228463170355]
膵管腺癌 (PDAC) は, 治療の選択肢が限られる進行癌である。
本研究は,腫瘍血管の関与を自動的に評価するワークフローと深層学習に基づくセグメンテーションモデルを提案する。
論文 参考訳(メタデータ) (2023-10-01T10:39:38Z) - Developing a Novel Image Marker to Predict the Responses of Neoadjuvant
Chemotherapy (NACT) for Ovarian Cancer Patients [1.8210053690503532]
本研究の目的は,NATの早期に高精度な応答予測を実現するために,新しい画像マーカーを開発することである。
まず, 腫瘍の特徴を定量化するために, 1373個の放射能の特徴を計算し, その特徴を幾何学的, 強度, テクスチャ的特徴の3つのカテゴリに分類した。
このクラスタを入力として使用し、最終マーカーを作成するためにSVMベースの分類器を開発し、NACT治療に反応する可能性を示した。
論文 参考訳(メタデータ) (2023-09-13T16:59:50Z) - Non-Linear Self Augmentation Deep Pipeline for Cancer Treatment outcome
Prediction [7.455416595124159]
著者らは、深い下流の分類器とともに非線形セルアーキテクチャを利用する革新的な戦略を提示している。
本研究の目的は,胸部CT像から抽出した2次元特徴を慎重に選択・拡張し,治療成績の予測を改善することである。
提案したパイプラインは、高度に組み込まれたPoint of Careシステムとシームレスに統合するように慎重に設計されている。
論文 参考訳(メタデータ) (2023-07-26T15:01:26Z) - 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) - 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) - Stratification of carotid atheromatous plaque using interpretable deep
learning methods on B-mode ultrasound images [1.1254693939127909]
頸動脈硬化は虚血性脳卒中の主要な原因であり、毎年死亡率と障害率が高い。
本稿では,頸動脈動脈プラークのリスク評価と成層化のための,頸動脈超音波画像の解釈可能な分類手法を提案する。
論文 参考訳(メタデータ) (2022-02-04T23:10:24Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - 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)
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。