論文の概要: Experts' cognition-driven ensemble deep learning for external validation
of predicting pathological complete response to neoadjuvant chemotherapy from
histological images in breast cancer
- arxiv url: http://arxiv.org/abs/2306.10805v1
- Date: Mon, 19 Jun 2023 09:48:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 18:28:12.458658
- Title: Experts' cognition-driven ensemble deep learning for external validation
of predicting pathological complete response to neoadjuvant chemotherapy from
histological images in breast cancer
- Title(参考訳): 乳がんの病理組織像からの新しいアジュバント化学療法に対する病理学的完全反応を予測するためのエキスパートの認識駆動型深層学習
- Authors: Yongquan Yang, Fengling Li, Yani Wei, Yuanyuan Zhao, Jing Fu, Xiuli
Xiao, Hong Bu
- Abstract要約: 乳がんの組織像からNACへのpCR予測の外部的検証のための,専門家の認識駆動型深層学習手法を提案する。
提案したECDEDLは,外部検証に極めて有効であり,内部検証をより数値的に近似した。
- 参考スコア(独自算出の注目度): 6.723642133497884
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In breast cancer imaging, there has been a trend to directly predict
pathological complete response (pCR) to neoadjuvant chemotherapy (NAC) from
histological images based on deep learning (DL). However, it has been a
commonly known problem that the constructed DL-based models numerically have
better performances in internal validation than in external validation. The
primary reason for this situation lies in that the distribution of the external
data for validation is different from the distribution of the training data for
the construction of the predictive model. In this paper, we aim to alleviate
this situation with a more intrinsic approach. We propose an experts'
cognition-driven ensemble deep learning (ECDEDL) approach for external
validation of predicting pCR to NAC from histological images in breast cancer.
The proposed ECDEDL, which takes the cognition of both pathology and artificial
intelligence experts into consideration to improve the generalization of the
predictive model to the external validation, more intrinsically approximates
the working paradigm of a human being which will refer to his various working
experiences to make decisions. The proposed ECDEDL approach was validated with
695 WSIs collected from the same center as the primary dataset to develop the
predictive model and perform the internal validation, and 340 WSIs collected
from other three centers as the external dataset to perform the external
validation. In external validation, the proposed ECDEDL approach improves the
AUCs of pCR prediction from 61.52(59.80-63.26) to 67.75(66.74-68.80) and the
Accuracies of pCR prediction from 56.09(49.39-62.79) to 71.01(69.44-72.58). The
proposed ECDEDL was quite effective for external validation, numerically more
approximating the internal validation.
- Abstract(参考訳): 乳がん画像では, 深層学習(DL)に基づく病理組織像から, ネオアジュバント化学療法(NAC)に対する病理学的完全反応(pCR)を直接予測する傾向が見られた。
しかし、構築されたDLベースのモデルが外部の検証よりも内部の検証性能が優れていることは、一般に知られている問題である。
この状況の主な理由は、検証のための外部データの分布が、予測モデルの構築のためのトレーニングデータの分布とは異なることである。
本稿では,この状況をより本質的なアプローチで緩和することを目的とする。
乳がんの組織像からNACに対するpCR予測の外部的妥当性を検証するため,専門家の認識駆動型深層学習(ECDEDL)アプローチを提案する。
提案するECDEDLは, 病的モデルと人工知能の専門家の両方の認識を考慮に入れ, 予測モデルの一般化と外部検証の改善を考慮に入れ, 様々な作業経験を参照して意思決定を行う人間の作業パラダイムを本質的に近似する。
提案手法は,予測モデルを開発し内部検証を行うために一次データセットと同じセンターから収集した695個のwsisと,外部検証を行う外部データセットとして他の3つのセンターから収集された340個のwsisを用いて検証した。
外部検証において、提案されたECDEDLアプローチは、pCR予測のAUCを61.52(59.80-63.26)から67.75(66.74-68.80)に改善し、pCR予測の精度を56.09(49.39-62.79)から71.01(69.44-72.58)に改善した。
提案したECDEDLは外部検証に極めて有効であり,内部検証をより数値的に近似した。
関連論文リスト
- Region-specific Risk Quantification for Interpretable Prognosis of COVID-19 [36.731054010197035]
新型コロナウイルス(COVID-19)のパンデミックは、世界的な公衆衛生を悪化させ、正確な診断と疾病対策の介入を必要とし、死亡率を下げている。
胸部X線画像(CXR)を用いて、新型コロナウイルスの予後に対する理解と信頼の向上を目的とした、解釈可能な深層生存予測モデルを提案する。
論文 参考訳(メタデータ) (2024-05-05T05:08:38Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳(メタデータ) (2024-03-27T16:56:14Z) - Mitigating Reward Hacking via Information-Theoretic Reward Modeling [70.26019860948114]
本稿では,報酬モデリングのための汎用的で堅牢なフレームワークであるInfoRMを提案する。
我々は,潜伏空間における過最適化と外れ値の相関を同定し,報酬過最適化を検出するための有望なツールとしてInfoRMを確立した。
論文 参考訳(メタデータ) (2024-02-14T17:49:07Z) - CXR-LLAVA: a multimodal large language model for interpreting chest
X-ray images [3.0757789554622597]
本研究の目的は,胸部X線画像(CXR)を解釈するためのオープンソースのマルチモーダル大言語モデル(CXR-LLAVA)を開発することである。
トレーニングでは,592,580個のCXRを収集し,そのうち374,881個のX線写真異常のラベルが得られた。
主な病理所見に対する診断成績と,ヒト放射線技師による放射線学的報告の受容性について検討した。
論文 参考訳(メタデータ) (2023-10-22T06:22:37Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - A Fully Automated and Explainable Algorithm for the Prediction of
Malignant Transformation in Oral Epithelial Dysplasia [8.927415909296819]
我々は,口腔悪性転換(OMT)リスクスコアを割り当てる人工知能アルゴリズムを開発した。
このアルゴリズムは、内部のセグメンテーションモデルを用いて、上皮内(および周辺)の核の検出とセグメンテーションに基づいている。
提案された OMTscore は、OED が悪性度に進行するか否かを予測するときに AUROC = 0.74 を得る。
論文 参考訳(メタデータ) (2023-07-06T19:11:00Z) - Deep Learning for Predicting Progression of Patellofemoral
Osteoarthritis Based on Lateral Knee Radiographs, Demographic Data and
Symptomatic Assessments [1.1549572298362785]
本研究はMOST研究のベースラインから被験者(被験者1832名,膝3276名)を抽出した。
PF関節領域は, 側膝X線上の自動ランドマーク検出ツール(BoneFinder)を用いて同定した。
年齢、性別、BMIおよびWOMACスコア、および大腿骨関節X線学的関節炎ステージ(KLスコア)の危険因子について
論文 参考訳(メタデータ) (2023-05-10T06:43:33Z) - Causal Inference via Nonlinear Variable Decorrelation for Healthcare
Applications [60.26261850082012]
線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。
我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
論文 参考訳(メタデータ) (2022-09-29T17:44:14Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳(メタデータ) (2021-11-18T00:43:41Z) - The Consequences of the Framing of Machine Learning Risk Prediction
Models: Evaluation of Sepsis in General Wards [0.0]
フレーミングがモデル性能とモデル学習に与える影響を4つの異なるアプローチで評価する。
デンマークの4自治体の221,283人の二次医療データを分析した。
論文 参考訳(メタデータ) (2021-01-26T14:00:05Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z)
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。