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/2306.10805v2
• Date: Mon, 11 Nov 2024 09:23:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:03:26.997668
• 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: 専門家の認知駆動型アンサンブル深層学習(ECDEDL)アプローチを提案する。 ECDEDLは乳癌の組織像からNACへのpCR予測に極めて有効であった。
• 参考スコア（独自算出の注目度）: 3.811184252495269
• License:
• Abstract: In breast cancer, neoadjuvant chemotherapy (NAC) provides a standard treatment option for patients who have locally advanced cancer and some large operable tumors. A patient will have better prognosis when he has achieved a pathological complete response (pCR) with the treatment of NAC. There has been a trend to directly predict pCR to NAC from histological images based on deep learning (DL). However, the DL-based predictive models numerically have better performances in internal validation than in external validation. In this paper, we aim to alleviate this situation with an intrinsic approach. We propose an experts' cognition-driven ensemble deep learning (ECDEDL) approach. Taking the cognition of both pathology and artificial intelligence experts into consideration to improve the generalization of the predictive model to the external validation, ECDEDL can intrinsically approximate the working paradigm of a human being which will refer to his various working experiences to make decisions. ECDEDL 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 was also validated with 340 WSIs collected from other three centers as the external dataset to perform the external validation. In external validation, ECDEDL 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). ECDEDL was quite effective for external validation of predicting pCR to NAC from histological images in breast cancer, numerically approximating the internal validation.
• Abstract（参考訳）: 乳がんでは、ネオアジュバント化学療法(NAC)は、局所進行癌といくつかの大きな手術性腫瘍を有する患者に対して、標準的な治療法を提供する。 病理学的完全反応 (pCR) をNACの治療で達成し, 予後は良好である。 深層学習(DL)に基づく組織像からNACへのpCRを直接予測する傾向がみられた。 しかし、DLに基づく予測モデルは、外部の検証よりも内部の検証において性能が優れている。 本稿では,本質的なアプローチでこの状況を緩和することを目的とする。 専門家の認知駆動型アンサンブル深層学習(ECDEDL)アプローチを提案する。 病理学と人工知能の専門家の両方の認識を外部検証への予測モデルの一般化の改善に向け、ECDEDLは、彼の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ことができる。 ECDEDLは、プライマリデータセットと同じ中心から収集された695個のWSIで検証され、予測モデルを開発し、内部検証を行い、外部検証を行うために他の3つの中心から収集された340個のWSIで検証された。 外部検証では、ECDEDL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予測の精度は56.09(49.39-62.79)から71.01(69.44-72.58)に改善した。 ECDEDLは乳癌の組織像からNACへのpCRの予測に極めて有効であり,内部の妥当性を数値的に評価した。

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)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• 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)
• 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)
• 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。