論文の概要: Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients
- arxiv url: http://arxiv.org/abs/2303.05341v1
- Date: Thu, 9 Mar 2023 15:38:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 14:24:30.872806
- Title: Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients
- Title（参考訳）: 肺がん患者のCT検査における深部線状コックスモデルの適用
- Authors: Yuming Sun, Jian Kang, Chinmay Haridas, Nicholas R. Mayne, Alexandra
L. Potter, Chi-Fu Jeffrey Yang, David C. Christiani, Yi Li
- Abstract要約: 肺がんは世界中でがん死亡の原因となっている。
NLST(National Lung Screening Trial)は、肺がんの危険因子の調査を目的とした全国的な研究である。
本研究はCTスキャンのテクスチャパターンを客観的に測定するCTTAを用いた。
- 参考スコア（独自算出の注目度）: 55.350512057217244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lung cancer is a leading cause of cancer mortality globally, highlighting the
importance of understanding its mortality risks to design effective
patient-centered therapies. The National Lung Screening Trial (NLST) was a
nationwide study aimed at investigating risk factors for lung cancer. The study
employed computed tomography texture analysis (CTTA), which provides objective
measurements of texture patterns on CT scans, to quantify the mortality risks
of lung cancer patients. Partially linear Cox models are becoming a popular
tool for modeling survival outcomes, as they effectively handle both
established risk factors (such as age and other clinical factors) and new risk
factors (such as image features) in a single framework. The challenge in
identifying the texture features that impact cancer survival is due to their
sensitivity to factors such as scanner type, segmentation, and organ motion. To
overcome this challenge, we propose a novel Penalized Deep Partially Linear Cox
Model (Penalized DPLC), which incorporates the SCAD penalty to select
significant texture features and employs a deep neural network to estimate the
nonparametric component of the model accurately. We prove the convergence and
asymptotic properties of the estimator and compare it to other methods through
extensive simulation studies, evaluating its performance in risk prediction and
feature selection. The proposed method is applied to the NLST study dataset to
uncover the effects of key clinical and imaging risk factors on patients'
survival. Our findings provide valuable insights into the relationship between
these factors and survival outcomes.
- Abstract（参考訳）: 肺がんは世界中のがん死亡の原因であり、効果的な患者中心療法の設計における死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺癌の危険因子の調査を目的とした全国的な研究である。
ctスキャンのテクスチャパターンを客観的に測定し,肺癌患者の死亡リスクを定量化するためにctctテクスチャ解析(ctta)を用いた。
部分的に線形なCoxモデルは、確立されたリスク要因(年齢やその他の臨床要因)と新しいリスク要因(画像の特徴など)の両方を単一のフレームワークで効果的に扱うため、生存結果をモデル化するための一般的なツールになりつつある。
癌の生存に影響を及ぼすテクスチャの特徴を特定する上での課題は、スキャナタイプ、セグメンテーション、臓器運動などの要因に対する感受性にある。
そこで本研究では,SCADペナルティを組み込んだPentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
我々は,推定器の収束性と漸近特性を証明し,リスク予測と特徴選択の性能評価を行い,他の手法と比較した。
本手法はNLST研究データセットに応用され,臨床および画像上の危険因子が患者の生存に及ぼす影響を明らかにする。
以上より,これらの因子と生存率との関係について考察した。
関連論文リスト
- A Joint Representation Using Continuous and Discrete Features for Cardiovascular Diseases Risk Prediction on Chest CT Scans [12.652540031719571]
胸部CT画像から抽出した離散的量的バイオマーカーと連続的な深部特徴を統合した新しい関節表現法を提案する。
本手法はCVDリスク予測性能を大幅に改善し,各バイオマーカーの個人貢献分析を行う。
論文 参考訳（メタデータ） (2024-10-24T10:06:45Z) - Deep Neural Networks for Predicting Recurrence and Survival in Patients with Esophageal Cancer After Surgery [0.0]
食道癌は、国際的にがん関連死亡の主な原因である。
疾患のない生存(DFS)と総合生存(OS)の3つのモデルにおける予後因子の同定と識別性能について検討した。
DeepSurvとDeepHitは、CoxPHに匹敵する識別精度を示した。
論文 参考訳（メタデータ） (2024-08-30T16:20:47Z) - Improving Lung Cancer Diagnosis and Survival Prediction with Deep Learning and CT Imaging [12.276877277186284]
肺癌は主要ながん関連死亡例であり、早期診断と治療は患者の生存率の向上に不可欠である。
肺がんのリスクと肺のリスクとの間に得られるネットワークの神経畳み込みネットワークをCT実験に応用することを提案する。
以上の結果から, 肺がん発生リスクと肺がん発生リスクの予測に, ミニバッチド・ロスとバイナリ・クロスエントロピーが有効であったことが示唆された。
論文 参考訳（メタデータ） (2024-08-18T05:45:08Z) - Kernel Cox partially linear regression: building predictive models for
cancer patients' survival [4.230753712933184]
我々はカーネルCox比例ハザード半パラメトリックモデルを構築し、モデルに適合する新しい正規化ニンジン化カーネルマシン(RegGKM)を提案する。
我々はカーネルマシン法を用いて生存率と予測値の複雑な関係を記述し、無関係なパラメトリックおよび非パラメトリック予測値を自動的に除去する。
この結果は、患者を異なる死亡リスクを持つグループに分類し、より良い臨床結果を得るために治療を促進するのに役立つ。
論文 参考訳（メタデータ） (2023-10-11T04:27:54Z) - 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) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳（メタデータ） (2023-07-06T08:27:48Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。