論文の概要: Multimodal Deep Learning for Personalized Renal Cell Carcinoma Prognosis: Integrating CT Imaging and Clinical Data

• arxiv url: http://arxiv.org/abs/2307.03575v1
• Date: Fri, 7 Jul 2023 13:09:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-10 12:29:30.231684
• Title: Multimodal Deep Learning for Personalized Renal Cell Carcinoma Prognosis: Integrating CT Imaging and Clinical Data
• Title（参考訳）: 腎細胞癌予後診断のためのマルチモーダルディープラーニング : CT画像と臨床データの統合
• Authors: Maryamalsadat Mahootiha, Hemin Ali Qadir, Jacob Bergsland and Ilangko Balasingham
• Abstract要約: 腎細胞癌は生存率の低い重要な世界的な健康上の課題である。 本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。 提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
• 参考スコア（独自算出の注目度）: 3.790959613880792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Renal cell carcinoma represents a significant global health challenge with a low survival rate. This research aimed to devise a comprehensive deep-learning model capable of predicting survival probabilities in patients with renal cell carcinoma by integrating CT imaging and clinical data and addressing the limitations observed in prior studies. The aim is to facilitate the identification of patients requiring urgent treatment. The proposed framework comprises three modules: a 3D image feature extractor, clinical variable selection, and survival prediction. The feature extractor module, based on the 3D CNN architecture, predicts the ISUP grade of renal cell carcinoma tumors linked to mortality rates from CT images. A selection of clinical variables is systematically chosen using the Spearman score and random forest importance score as criteria. A deep learning-based network, trained with discrete LogisticHazard-based loss, performs the survival prediction. Nine distinct experiments are performed, with varying numbers of clinical variables determined by different thresholds of the Spearman and importance scores. Our findings demonstrate that the proposed strategy surpasses the current literature on renal cancer prognosis based on CT scans and clinical factors. The best-performing experiment yielded a concordance index of 0.84 and an area under the curve value of 0.8 on the test cohort, which suggests strong predictive power. The multimodal deep-learning approach developed in this study shows promising results in estimating survival probabilities for renal cell carcinoma patients using CT imaging and clinical data. This may have potential implications in identifying patients who require urgent treatment, potentially improving patient outcomes. The code created for this project is available for the public on: \href{https://github.com/Balasingham-AI-Group/Survival_CTplusClinical}{GitHub}
• Abstract（参考訳）: 腎細胞癌は生存率の低い重要な世界的な健康上の課題である。 本研究の目的は,ct画像と臨床データを統合し,先行研究で観察された限界に対処し,腎細胞癌患者の生存確率を予測できる総合的ディープラーニングモデルを開発することである。 緊急治療を要した患者の特定を容易にすることを目的としている。 提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,サバイバル予測の3つのモジュールからなる。 3d cnnアーキテクチャに基づく特徴抽出モジュールは、ct画像から死亡率と関連した腎細胞癌腫瘍のisupグレードを予測する。 臨床変数の選択はSpearmanスコアとランダム森林重要度スコアを基準として体系的に選択される。 個別のgistichazardベースの損失をトレーニングしたディープラーニングベースのネットワークは、サバイバル予測を実行する。 9つの異なる実験が行われ、スピアマンの閾値と重要度によって様々な臨床変数が決定される。 以上の結果から, 腎癌予後に関する現在の文献を, ctスキャンおよび臨床因子に基づいて上回る戦略が得られた。 最高性能実験では、強い予測力を示す試験コホートにおいて、0.84の一致指数と0.8の曲線値以下の領域が得られた。 本研究で開発されたマルチモーダル深層学習手法は,ct画像と臨床データを用いて腎細胞癌患者の生存確率を推定する有望な結果を示している。 これは緊急治療を必要とする患者を同定し、患者の結果を改善させる可能性がある。 このプロジェクトのために作成されたコードは、次のように一般に公開されている。

関連論文リスト

• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
  胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。 医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。 本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T21:47:13Z)
• Predicting risk of cardiovascular disease using retinal OCT imaging [40.71667870702634]
  将来性心血管疾患(CVD)の予知法としての光コヒーレンス断層撮影の可能性について検討した。 我々は,変分オートエンコーダ(VAE)に基づく自己教師型ディープラーニング手法を用いて,高次元 OCT 画像の低次元表現を学習した。 OCT画像で見られる脈絡膜層は,新しいモデル説明可能性アプローチを用いて,今後のCVD事象の予測因子として同定された。
  論文  参考訳（メタデータ） (2024-03-26T14:42:46Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• Domain-specific transfer learning in the automated scoring of tumor-stroma ratio from histopathological images of colorectal cancer [1.2264932946286657]
  腫瘍-ストローマ比 (TSR) は多くの種類の固形腫瘍の予後因子である。 この方法は、大腸癌組織を分類するために訓練された畳み込みニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2022-12-30T12:27:27Z)
• Using Deep Learning-based Features Extracted from CT scans to Predict Outcomes in COVID-19 Patients [0.4841303207359715]
  Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。 深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。 これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
  論文  参考訳（メタデータ） (2022-05-10T16:22:16Z)
• Survival Analysis for Idiopathic Pulmonary Fibrosis using CT Images and Incomplete Clinical Data [17.162038700963418]
  特発性肺線維症(IPF)は線維性肺疾患である。 肺のCTスキャンはIPF患者の臨床的評価を通知し、疾患の進行に関する関連する情報を含む。 臨床および画像データを用いたIPF患者の生存率を予測するために,ニューラルネットワークとメモリバンクを用いたマルチモーダル手法を提案する。
  論文  参考訳（メタデータ） (2022-03-21T23:48:47Z)
• 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)

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。