論文の概要: MGMT promoter methylation status prediction using MRI scans? An extensive experimental evaluation of deep learning models

• arxiv url: http://arxiv.org/abs/2304.00774v1
• Date: Mon, 3 Apr 2023 07:55:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 16:16:25.617851
• Title: MGMT promoter methylation status prediction using MRI scans? An extensive experimental evaluation of deep learning models
• Title（参考訳）: MRIスキャンによるMGMTプロモーターメチル化状態の予測 深層学習モデルの広範な実験評価
• Authors: Numan Saeed, Muhammad Ridzuan, Hussain Alasmawi, Ikboljon Sobirov, Mohammad Yaqub
• Abstract要約: MRIによるグリオーマ腫瘍におけるMGMTプロモーターのメチル化状態の予測にディープラーニングモデルを用いた。 以上の結果から,癌診断における深層学習システムの精度と信頼性を確保するために,これらのモデルの性能に相関性は認められなかった。
• 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: The number of studies on deep learning for medical diagnosis is expanding, and these systems are often claimed to outperform clinicians. However, only a few systems have shown medical efficacy. From this perspective, we examine a wide range of deep learning algorithms for the assessment of glioblastoma - a common brain tumor in older adults that is lethal. Surgery, chemotherapy, and radiation are the standard treatments for glioblastoma patients. The methylation status of the MGMT promoter, a specific genetic sequence found in the tumor, affects chemotherapy's effectiveness. MGMT promoter methylation improves chemotherapy response and survival in several cancers. MGMT promoter methylation is determined by a tumor tissue biopsy, which is then genetically tested. This lengthy and invasive procedure increases the risk of infection and other complications. Thus, researchers have used deep learning models to examine the tumor from brain MRI scans to determine the MGMT promoter's methylation state. We employ deep learning models and one of the largest public MRI datasets of 585 participants to predict the methylation status of the MGMT promoter in glioblastoma tumors using MRI scans. We test these models using Grad-CAM, occlusion sensitivity, feature visualizations, and training loss landscapes. Our results show no correlation between these two, indicating that external cohort data should be used to verify these models' performance to assure the accuracy and reliability of deep learning systems in cancer diagnosis.
• Abstract（参考訳）: 医学的診断のための深層学習の研究は増えており、これらのシステムは臨床医を上回っているとしばしば主張されている。 しかし、医療効果を示すシステムはごくわずかである。 この観点から,高齢者の致死性脳腫瘍であるグリオブラスト腫(glioblastoma)に対する幅広い深層学習アルゴリズムについて検討した。 手術、化学療法、放射線療法はグリオブラスト腫の標準的な治療である。 腫瘍に特異的な遺伝子配列であるmgmtプロモーターのメチル化状態は化学療法の効果に影響する。 MGMTプロモーターメチル化は、いくつかのがんにおける化学療法反応と生存を改善する。 MGMTプロモーターメチル化は腫瘍組織生検によって決定され、遺伝子検査される。 この長期かつ侵襲的な処置は、感染やその他の合併症のリスクを高める。 そこで、研究者は深層学習モデルを用いて、脳MRIスキャンから腫瘍を調べ、MGMTプロモーターのメチル化状態を決定する。 MRIスキャンを用いてMGMTプロモーターのメチル化状態を予測するため,深層学習モデルと585人の参加者の公開MRIデータセットの1つを用いた。 我々はこれらのモデルをGrad-CAM、オクルージョン感度、特徴可視化、学習損失景観を用いてテストする。 以上の結果から, 癌診断における深層学習システムの精度と信頼性を確保するために, 外部コホートデータを用いてこれらのモデルの性能を検証すべきであることが示唆された。

関連論文リスト

• Enhancing Trust in Clinically Significant Prostate Cancer Prediction with Multiple Magnetic Resonance Imaging Modalities [61.36288157482697]
  米国では、前立腺がんが男性の死因としては2番目に多く、2024年には35,250人が死亡している。 本稿では,複数のMRIモダリティを組み合わせて深層学習モデルを訓練し,臨床的に有意な前立腺癌予測のためのモデルの信頼性を高めることを検討する。
  論文  参考訳（メタデータ） (2024-11-07T12:48:27Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction [0.5806504980491878]
  今後,腫瘍マスクを生成できる新しいエンドツーエンドネットワークと,腫瘍が今後どのように見えるかの現実的なMRIを提示する。 我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2023-09-11T12:12:52Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• Artificial Intelligence Solution for Effective Treatment Planning for Glioblastoma Patients [0.0]
  グリオ芽腫は成人で最も多い悪性脳腫瘍である。 毎年約20万人がグリオ芽腫で死亡している。 グリオブラスト腫患者は、至適治療で12カ月、治療なしで約4カ月生存する。
  論文  参考訳（メタデータ） (2022-03-09T22:29:48Z)
• Is it Possible to Predict MGMT Promoter Methylation from Brain Tumor MRI Scans using Deep Learning Models? [0.0]
  グリオ芽腫(Glioblastoma)は、高齢者に発生する一般的な脳腫瘍であり、ほぼ常に致死性である。 MGMTプロモーターの状態を同定するために、従来のアプローチは遺伝子解析のための生検を行うことである。 最近のいくつかの出版物は、MGMTプロモーター状態と腫瘍のMRIスキャンとの関連性を提案した。
  論文  参考訳（メタデータ） (2022-01-16T16:44:21Z)
• Optimizing Prediction of MGMT Promoter Methylation from MRI Scans using Adversarial Learning [0.0]
  Glioblastoma Multiforme (GBM) による米国では毎年13,000人以上が死亡していると推定されている。 非侵襲磁気共鳴画像(MRI)ベースの機械学習(ML)モデルを用いてMGMTプロモーターの状態を特定することが重要である。 2つの放射能モデルと2つのCNNモデルという4つの主要モデルを開発した。
  論文  参考訳（メタデータ） (2022-01-12T11:04:34Z)
• Novel Local Radiomic Bayesian Classifiers for Non-Invasive Prediction of MGMT Methylation Status in Glioblastoma [0.0]
  グリオーマ腫瘍組織におけるO6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)遺伝子の発現は臨床的に重要である。 現在、MGMTメチル化は、侵襲的な脳生検およびその後に抽出された腫瘍組織の遺伝子解析によって決定されている。 FLAIR系列磁気共鳴画像(MRI)から抽出した放射能特性に基づいてMGMTメチル化状態の確率論的予測を行う新しいベイズ分類器を提案する。
  論文  参考訳（メタデータ） (2021-11-30T04:53:23Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)

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。