論文の概要: Pre-screening breast cancer with machine learning and deep learning
- arxiv url: http://arxiv.org/abs/2302.02406v1
- Date: Sun, 5 Feb 2023 15:27:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 18:26:17.992273
- Title: Pre-screening breast cancer with machine learning and deep learning
- Title（参考訳）: 機械学習とディープラーニングによる術前乳癌検診
- Authors: Rolando Gonzales Martinez, Daan-Max van Dongen
- Abstract要約: 深層学習は、患者の人口統計学的および人文学的情報を分析することにより、がんの事前スクリーニングに使用できる。
特徴選択を用いて微調整された入力層アーキテクチャを用いたディープラーニングモデルは、がん患者と非がん患者を効果的に区別することができる。
これらの結果から, 癌前スクリーニングに応用されたディープラーニングアルゴリズムは, 放射線のない, 非侵襲的で手頃な価格で, 画像に基づくスクリーニング法を補完するものであることが示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We suggest that deep learning can be used for pre-screening cancer by
analyzing demographic and anthropometric information of patients, as well as
biological markers obtained from routine blood samples and relative risks
obtained from meta-analysis and international databases. We applied feature
selection algorithms to a database of 116 women, including 52 healthy women and
64 women diagnosed with breast cancer, to identify the best pre-screening
predictors of cancer. We utilized the best predictors to perform k-fold Monte
Carlo cross-validation experiments that compare deep learning against
traditional machine learning algorithms. Our results indicate that a deep
learning model with an input-layer architecture that is fine-tuned using
feature selection can effectively distinguish between patients with and without
cancer. Additionally, compared to machine learning, deep learning has the
lowest uncertainty in its predictions. These findings suggest that deep
learning algorithms applied to cancer pre-screening offer a radiation-free,
non-invasive, and affordable complement to screening methods based on imagery.
The implementation of deep learning algorithms in cancer pre-screening offer
opportunities to identify individuals who may require imaging-based screening,
can encourage self-examination, and decrease the psychological externalities
associated with false positives in cancer screening. The integration of deep
learning algorithms for both screening and pre-screening will ultimately lead
to earlier detection of malignancy, reducing the healthcare and societal burden
associated to cancer treatment.
- Abstract（参考訳）: また,血液サンプルから得られた生物学的マーカーや,メタアナリシスや国際データベースから得られた相対的リスクについても分析することにより,がんの事前スクリーニングに深層学習を活用できることが示唆された。
健康な女性52名、乳がんと診断された女性64名を含む116名を対象に特徴選択アルゴリズムを適用し、がんの事前スクリーニングに最適な予測因子を同定した。
従来の機械学習アルゴリズムとディープラーニングを比較したk-fold monte carloクロスバリデーション実験を行うのに最適な予測器を用いた。
以上の結果から,入力層構造を持つ深層学習モデルでは,がん患者と非がん患者を効果的に区別できる可能性が示唆された。
さらに、機械学習と比較して、ディープラーニングはその予測において最も不確実性が低い。
これらの結果から, 癌前スクリーニングに適用されたディープラーニングアルゴリズムは, 放射線のない, 非侵襲的で, 安価なスクリーニング方法の補完となることが示唆された。
がん前スクリーニングにおけるディープラーニングアルゴリズムの実装は、画像ベースのスクリーニングを必要とし、自己検査を奨励し、がん検診における偽陽性に関連する心理的外部性を減らす機会を提供する。
スクリーニングと事前スクリーニングの両方にディープラーニングアルゴリズムを統合することで、悪性腫瘍の早期発見が実現し、がん治療に伴う医療と社会的負担が軽減される。
関連論文リスト
- Deep learning-based identification of patients at increased risk of cancer using routine laboratory markers [2.482109221766753]
がんスクリーニングは、スクリーニング方法と頻度を決定するために、最初のリスク階層化ステップを含む。
ほとんどのスクリーニングプログラムでは、年齢や家族歴などの臨床リスク要因は、最初のリスク階層化アルゴリズムの一部である。
本研究は, 大腸癌, 肝癌, 肺癌のリスクのある患者を鑑別するために, 血液計数や完全代謝パネルなどの簡便な血液検査を併用できることを実証した。
論文 参考訳（メタデータ） (2024-10-25T15:50:27Z) - Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。
本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文 参考訳（メタデータ） (2024-05-23T07:03:38Z) - 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) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳（メタデータ） (2023-04-12T15:08:34Z) - 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) - 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) - A Combined PCA-MLP Network for Early Breast Cancer Detection [0.0]
我々は、患者が乳がんに直面するかどうかを検出するために、異なる機械学習アルゴリズムを研究した。
われわれの4層PCAネットワークは、BCCDデータセットの平均90.48%で100%の精度を得た。
論文 参考訳（メタデータ） (2022-06-18T06:17:40Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する
乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。
より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文 参考訳（メタデータ） (2022-01-09T04:35:55Z) - Machine Learning Against Cancer: Accurate Diagnosis of Cancer by Machine
Learning Classification of the Whole Genome Sequencing Data [0.0]
我々は,MLAC(Machine Learning Against Cancer)の新たな手法を開発し,完全精度,感度,特異性を実現した。
The Cancer Genome Atlas and Genotype-Tissue Expression project for cancerous and healthy tissues。
論文 参考訳（メタデータ） (2020-09-12T18:51:47Z) - Divide-and-Rule: Self-Supervised Learning for Survival Analysis in
Colorectal Cancer [9.431791041887957]
本稿では,組織領域の表現とクラスタリングのメトリクスを学習し,その基盤となるパターンを学習する自己教師型学習手法を提案する。
提案手法は, 患者結果予測の過度な適合を避けるために, 線形予測器の恩恵を受けることができることを示す。
論文 参考訳（メタデータ） (2020-07-07T09:15:36Z)
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。