論文の概要: Prediction of Rapid Early Progression and Survival Risk with
Pre-Radiation MRI in WHO Grade 4 Glioma Patients
- arxiv url: http://arxiv.org/abs/2306.16531v1
- Date: Wed, 28 Jun 2023 20:03:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-30 15:44:41.498585
- Title: Prediction of Rapid Early Progression and Survival Risk with
Pre-Radiation MRI in WHO Grade 4 Glioma Patients
- Title（参考訳）: WHOグレード4グリオーマにおける術前MRIによる早期進行と生存リスクの予測
- Authors: Walia Farzana, Mustafa M Basree, Norou Diawara, Zeina A. Shboul, Sagel
Dubey, Marie M Lockhart, Mohamed Hamza, Joshua D. Palmer, Khan M.
Iftekharuddin
- Abstract要約: 非REP症例からのREP予測のための診断・予後ツールとして,Ra-diomics,高度多分解能フラクタルテクスチャ,分子特性について検討した。
コホートの生存予測は0.881の精度で、標準偏差は0.056である。
さらに, マルチ分解能フラクタルテクスチャ特性は, REPやサバイバル結果の従来の放射能特性よりも優れていた。
- 参考スコア（独自算出の注目度）: 0.5365740459403827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent clinical research describes a subset of glioblastoma patients that
exhibit REP prior to start of radiation therapy. Current literature has thus
far described this population using clinicopathologic features. To our
knowledge, this study is the first to investigate the potential of conventional
ra-diomics, sophisticated multi-resolution fractal texture features, and
different molecular features (MGMT, IDH mutations) as a diagnostic and
prognostic tool for prediction of REP from non-REP cases using computational
and statistical modeling methods. Radiation-planning T1 post-contrast (T1C) MRI
sequences of 70 patients are analyzed. Ensemble method with 5-fold cross
validation over 1000 iterations offers AUC of 0.793 with standard deviation of
0.082 for REP and non-REP classification. In addition, copula-based modeling
under dependent censoring (where a subset of the patients may not be followed
up until death) identifies significant features (p-value <0.05) for survival
probability and prognostic grouping of patient cases. The prediction of
survival for the patients cohort produces precision of 0.881 with standard
deviation of 0.056. The prognostic index (PI) calculated using the fused
features suggests that 84.62% of REP cases fall under the bad prognostic group,
suggesting potentiality of fused features to predict a higher percentage of REP
cases. The experimental result further shows that mul-ti-resolution fractal
texture features perform better than conventional radiomics features for REP
and survival outcomes.
- Abstract（参考訳）: 最近の臨床研究では放射線治療開始前にREPを呈するグリオ芽腫のサブセットが報告されている。
現在の文献では臨床病理学的特徴を用いてこの人口を記述している。
本研究は,従来のra-diomics,洗練されたマルチレゾリューションフラクタルテクスチャ特徴,および非rep症例からのrepの予測のための診断および予後予測ツールとしての異なる分子特徴(mgmt,idh変異)について,計算および統計モデルを用いて初めて検討した。
放射線プランニングT1ポストコントラスト(T1C)MRIシークエンスの解析を行った。
1000回以上の5倍のクロスバリデーションを持つアンサンブル法では、AUCは0.793であり、REPと非REPの標準偏差は0.082である。
さらに、依存的な検閲(患者のサブセットが死ぬまで追跡されない場合)下でのコプラに基づくモデリングは、患者の生存確率と予後のグルーピングに重要な特徴(p-value <0.05)を特定する。
コホート患者の生存率の予測は0.881で、標準偏差は0.056である。
融合特徴を用いた予後指標(PI)は、REP症例の84.62%が悪い予後群に該当し、REP症例の比率が高くなる可能性を示唆している。
さらに, マルチ分解能フラクタルテクスチャ特性は, REPやサバイバル結果の従来の放射能特性よりも優れていた。
関連論文リスト
- 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) - Predicting the risk of early-stage breast cancer recurrence using H\&E-stained tissue images [5.507561997194002]
癌組織像の病理像を解析することにより,深層学習アルゴリズムが再発リスクを予測できるかどうかを検討した。
感度は0.857, 0.746, 0.529で, 低, 中間, 高リスク, 0.816, 0.803, 0.972。
クラス活性化マップを用いてこれらの研究を通して得られたモデルをチェックすると、異なるリスクグループを予測する際に、実際に管の形成と分裂速度を検討した。
論文 参考訳（メタデータ） (2024-06-10T08:51:59Z) - Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma
Chemoradiotherapy using Planning CT-based Radiomics Model [5.485361086613949]
非転移性肛門扁平上皮癌(SCC)患者の約30%が化学療法後の再発を経験する
我々は,放射線前処置計画CTから抽出した情報を利用して,CRT後のSCC患者における再発無生存(RFS)を予測するモデルを開発した。
論文 参考訳（メタデータ） (2023-09-05T20:22:26Z) - Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient
Survivability Prediction [0.0]
GBMは成人で最もアグレッシブな脳腫瘍であり、手術や放射線治療による攻撃的治療でも生存率が低い。
放射線治療後のGBM患者のMRIの変化は、放射線誘発壊死(RN)または再発脳腫瘍(rBT)の指標である
本研究では, rBT と RN の分類におけるサブセット標本サイズのバランスをとるために, 統計的に厳密な繰り返しランダムサブサンプリングを用いた計算モデルを提案する。
論文 参考訳（メタデータ） (2023-06-05T21:39:11Z) - L1-regularized neural ranking for risk stratification and its
application to prediction of time to distant metastasis in luminal node
negative chemotherapy na\"ive breast cancer patients [9.269883992088147]
そこで我々は,このような疑問に答えるために,ランキングに基づく検閲対応機械学習モデルを提案する。
早期乳癌(ER+またはHER2-)患者の遠隔転移と早期臨床パラメータとの関連について検討した。
本研究は,遠隔転移のリスクが高い症例と低い症例の鑑別が可能であることを示す。
論文 参考訳（メタデータ） (2021-08-23T19:04:18Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
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。