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

• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• Computational Pathology for Accurate Prediction of Breast Cancer Recurrence: Development and Validation of a Deep Learning-based Tool [0.40205899806543505]
  Deep-BCR-Autoは、乳がん再発リスクを予測するディープラーニングベースの計算病理学アプローチである。 我々の方法論は2つの独立したコホートで検証された。 Deep-BCR-Autoは、患者を低頻度と高頻度のリスクカテゴリに分類する上で、堅牢なパフォーマンスを示した。
  論文  参考訳（メタデータ） (2024-09-23T19:22:06Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• 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)
• Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
  本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。 提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
  論文  参考訳（メタデータ） (2024-01-28T23:33:56Z)
• 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)
• Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
  化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。 セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。 提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
  論文  参考訳（メタデータ） (2022-11-08T11:50:31Z)
• 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)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

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。