論文の概要: Diagnosis and Prognosis of Head and Neck Cancer Patients using
Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2306.00034v1
- Date: Wed, 31 May 2023 08:22:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 20:25:40.563794
- Title: Diagnosis and Prognosis of Head and Neck Cancer Patients using
Artificial Intelligence
- Title(参考訳): 頭頸部癌における人工知能を用いた診断と予後
- Authors: Ikboljon Sobirov
- Abstract要約: がんは世界中で最も致命的な疾患の1つであり、頭頸部がん(H&N)は毎年数十万件の新しい症例が記録されている。
臨床医は、CTやポジトロン・エミッション・トモグラフィーなどの医療画像モダリティを用いて腫瘍の存在を検知し、その情報と患者の予後に関する臨床データを組み合わせる。
機械学習とディープラーニングは、これらのタスクを自動化し、医師が非常に有望な結果を得るのを助ける。
- 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: Cancer is one of the most life-threatening diseases worldwide, and head and
neck (H&N) cancer is a prevalent type with hundreds of thousands of new cases
recorded each year. Clinicians use medical imaging modalities such as computed
tomography and positron emission tomography to detect the presence of a tumor,
and they combine that information with clinical data for patient prognosis. The
process is mostly challenging and time-consuming. Machine learning and deep
learning can automate these tasks to help clinicians with highly promising
results. This work studies two approaches for H&N tumor segmentation: (i)
exploration and comparison of vision transformer (ViT)-based and convolutional
neural network-based models; and (ii) proposal of a novel 2D perspective to
working with 3D data. Furthermore, this work proposes two new architectures for
the prognosis task. An ensemble of several models predicts patient outcomes
(which won the HECKTOR 2021 challenge prognosis task), and a ViT-based
framework concurrently performs patient outcome prediction and tumor
segmentation, which outperforms the ensemble model.
- Abstract(参考訳): がんは世界中で最も致命的な疾患の1つであり、頭頸部がん(H&N)は毎年数十万件の新しい症例が記録されている。
臨床医は、CTやポジトロン・エミッション・トモグラフィーなどの医療画像モダリティを用いて腫瘍の存在を検知し、その情報と患者の予後に関する臨床データを組み合わせる。
プロセスは大部分が困難で時間を要する。
機械学習とディープラーニングは、これらのタスクを自動化し、医師が非常に有望な結果を得るのを助ける。
本研究は、H&N腫瘍セグメンテーションの2つのアプローチについて研究する。
(i)視覚トランスフォーマ(vit)と畳み込みニューラルネットワークに基づくモデルの探索と比較,及び
(ii)3dデータを扱うための新しい2次元視点の提案。
さらに,本研究では,2つの新しいアーキテクチャを提案する。
いくつかのモデルのアンサンブルは、患者結果を予測する(HECKTOR 2021 Challenge prognosis task)とともに、ViTベースのフレームワークは、患者結果の予測と腫瘍のセグメンテーションを同時に実行し、アンサンブルモデルを上回っている。
関連論文リスト
- Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic
Prediction [5.685142756003601]
本稿では,二部グラフ畳み込みニューラルネットワーク(GCN)とニューラル正規微分方程式(Neural-ODE)を組み合わせたグラフエンコーダを提案する。
まず,本手法が経験的モデルにより著しく改善される腫瘍のダイナミックモデルを発見することができることを示す。
本研究は, 提案手法が有望であり, プリクリニカル・セッティングに応用できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-10-02T06:39:08Z) - Automated Ensemble-Based Segmentation of Pediatric Brain Tumors: A Novel
Approach Using the CBTN-CONNECT-ASNR-MICCAI BraTS-PEDs 2023 Challenge Data [0.0]
本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。
データ拡張により、異なるスキャンプロトコル間でモデルの堅牢性と精度が保証される。
以上の結果から,この高度なアンサンブルアプローチは,小児脳腫瘍の診断精度の向上と効果的な治療計画に期待できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-08-14T15:29:32Z) - Prediction of Post-Operative Renal and Pulmonary Complications Using
Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。
以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2023-06-01T14:08:05Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳(メタデータ) (2023-03-02T17:27:45Z) - 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) - Metastatic Cancer Outcome Prediction with Injective Multiple Instance
Pooling [1.0965065178451103]
我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。
結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。
本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
論文 参考訳(メタデータ) (2022-03-09T16:58:03Z) - An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using
Multimodal Data [0.0]
頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。
提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
論文 参考訳(メタデータ) (2022-02-25T07:50:59Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - A Machine Learning Challenge for Prognostic Modelling in Head and Neck
Cancer Using Multi-modal Data [0.10651507097431492]
我々は,頭頸部癌における生存予測の精度向上を目的として,機関的機械学習挑戦を行った。
画像と臨床データを用いて,12種類の提出物を別々に,あるいは組み合わせて比較した。
勝利アプローチは臨床データと腫瘍容積の非線形マルチタスク学習を用い、2年間の生存予測において高い予後精度を達成した。
論文 参考訳(メタデータ) (2021-01-28T11:20:34Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳(メタデータ) (2020-05-13T20:29:48Z)
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。