論文の概要: Machine Learning-Assisted Recurrence Prediction for Early-Stage Non-Small-Cell Lung Cancer Patients

• arxiv url: http://arxiv.org/abs/2211.09856v1
• Date: Thu, 17 Nov 2022 19:34:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 15:46:04.577332
• Title: Machine Learning-Assisted Recurrence Prediction for Early-Stage Non-Small-Cell Lung Cancer Patients
• Title（参考訳）: 早期非小細胞肺癌に対する機械学習による再発予測
• Authors: Adrianna Janik, Maria Torrente, Luca Costabello, Virginia Calvo, Brian Walsh, Carlos Camps, Sameh K. Mohamed, Ana L. Ortega, V\'it Nov\'a\v{c}ek, Bartomeu Massut\'i, Pasquale Minervini, M.Rosario Garcia Campelo, Edel del Barco, Joaquim Bosch-Barrera, Ernestina Menasalvas, Mohan Timilsina, Mariano Provencio
• Abstract要約: 再発リスクによるがん患者の成層化は、自身のケアをパーソナライズすることができる。 本研究では,早期非小細胞肺癌患者の再発確率を機械学習を用いて推定する方法を提案する。
• 参考スコア（独自算出の注目度）: 10.127130900852405
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Background: Stratifying cancer patients according to risk of relapse can personalize their care. In this work, we provide an answer to the following research question: How to utilize machine learning to estimate probability of relapse in early-stage non-small-cell lung cancer patients? Methods: For predicting relapse in 1,387 early-stage (I-II), non-small-cell lung cancer (NSCLC) patients from the Spanish Lung Cancer Group data (65.7 average age, 24.8% females, 75.2% males) we train tabular and graph machine learning models. We generate automatic explanations for the predictions of such models. For models trained on tabular data, we adopt SHAP local explanations to gauge how each patient feature contributes to the predicted outcome. We explain graph machine learning predictions with an example-based method that highlights influential past patients. Results: Machine learning models trained on tabular data exhibit a 76% accuracy for the Random Forest model at predicting relapse evaluated with a 10-fold cross-validation (model was trained 10 times with different independent sets of patients in test, train and validation sets, the reported metrics are averaged over these 10 test sets). Graph machine learning reaches 68% accuracy over a 200-patient, held-out test set, calibrated on a held-out set of 100 patients. Conclusions: Our results show that machine learning models trained on tabular and graph data can enable objective, personalised and reproducible prediction of relapse and therefore, disease outcome in patients with early-stage NSCLC. With further prospective and multisite validation, and additional radiological and molecular data, this prognostic model could potentially serve as a predictive decision support tool for deciding the use of adjuvant treatments in early-stage lung cancer. Keywords: Non-Small-Cell Lung Cancer, Tumor Recurrence Prediction, Machine Learning
• Abstract（参考訳）: 背景:再発リスクに応じてがん患者を戦略的に分類することは、ケアをパーソナライズすることができる。 本研究では, 早期非小細胞肺癌患者において, 機械学習を用いて再発確率を推定する方法を提案する。 方法:1,387人(I-II)の早期再発を予測するため,非小細胞肺癌(NSCLC)患者(平均年齢65.7歳,女性24.8%,男性75.2%)は,表層およびグラフ機械学習モデルを訓練する。 我々はそのようなモデルの予測を自動で説明する。 表型データに基づいてトレーニングしたモデルでは,各患者の特徴が予測結果にどのように貢献するかを評価するため,SHAP局所説明を採用する。 本稿では,過去の患者を対象とするグラフ機械学習予測を例に説明する。 結果: 表データでトレーニングされた機械学習モデルは、10倍のクロスバリデーションで評価された再発予測におけるランダムフォレストモデルの76%の精度を示す(モデルは、テスト、トレーニング、検証セットで異なる患者セットで10回トレーニングされ、報告されたメトリクスは、これらの10のテストセットで平均される)。 グラフ機械学習は200人の患者に対して68%の精度に達し、100人の患者に対して調整される。 結論: この結果から, グラフデータを用いて学習した機械学習モデルにより, 早期NSCLC患者の客観的, パーソナライズ, 再現可能な再発予測が可能であることが示唆された。 さらなる予測的および多サイト検証、さらに放射線学的および分子的データにより、この予後モデルは早期肺癌における補助的治療の使用を決定するための予測的決定支援ツールとして機能する可能性がある。 キーワード:非小細胞肺癌、腫瘍再発予測、機械学習

関連論文リスト

• Predicting Lung Cancer Patient Prognosis with Large Language Models [20.97970447748789]
  大規模言語モデル(LLM)は、広範な学習知識に基づいてテキストを処理・生成する能力に注目されている。 肺癌患者の予後予測におけるGPT-4o miniおよびGPT-3.5の有用性について検討した。
  論文  参考訳（メタデータ） (2024-08-15T06:36:27Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
  5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。 XGBoostは97%という最高のモデル精度を達成した。
  論文  参考訳（メタデータ） (2024-04-06T17:23:21Z)
• Supervised Machine Learning for Breast Cancer Risk Factors Analysis and Survival Prediction [0.5249805590164902]
  最も効果的な治療法の選択は、最終的には乳がん生存予測に影響されるかもしれない。 本研究では,1904年の患者記録を用いて5年間の乳癌生存を機械学習を用いて予測した。
  論文  参考訳（メタデータ） (2023-04-13T12:32:14Z)
• Machine Learning Techniques for Predicting the Short-Term Outcome of Resective Surgery in Lesional-Drug Resistance Epilepsy [1.759008116536278]
  7つのディフフェレント分類アルゴリズムを用いてデータを解析した。 線形カーネルを持つサポートベクターマシン(SVM)の精度は76.1%であった。
  論文  参考訳（メタデータ） (2023-02-10T13:04:47Z)
• 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)
• 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)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。