論文の概要: A Deep Learning Approach for Overall Survival Analysis with Missing
Values
- arxiv url: http://arxiv.org/abs/2307.11465v1
- Date: Fri, 21 Jul 2023 10:01:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-24 13:05:14.737879
- Title: A Deep Learning Approach for Overall Survival Analysis with Missing
Values
- Title(参考訳): 欠落値を用いた総合的生存分析のための深層学習手法
- Authors: Camillo Maria Caruso, Valerio Guarrasi, Sara Ramella and Paolo Soda
- Abstract要約: 総合生存率(OS)は患者の状態を示す重要な指標であり、生存確率の異なるサブグループを特定するのに役立つ。
非小細胞肺癌(NSCLC)における生存解析の新しいアプローチを提案する。
OSのアドホックな損失を利用すると、検閲された患者と無検閲の患者の両方が、時間の経過とともにリスクを考慮に入れられる。
- 参考スコア(独自算出の注目度): 1.3821435467741148
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: One of the most challenging fields where Artificial Intelligence (AI) can be
applied is lung cancer research, specifically non-small cell lung cancer
(NSCLC). In particular, overall survival (OS) is a vital indicator of patient
status, helping to identify subgroups with diverse survival probabilities,
enabling tailored treatment and improved OS rates. In this analysis, there are
two challenges to take into account. First, few studies effectively exploit the
information available from each patient, leveraging both uncensored (i.e.,
dead) and censored (i.e., survivors) patients, considering also the death
times. Second, the handling of incomplete data is a common issue in the medical
field. This problem is typically tackled through the use of imputation methods.
Our objective is to present an AI model able to overcome these limits,
effectively learning from both censored and uncensored patients and their
available features, for the prediction of OS for NSCLC patients. We present a
novel approach to survival analysis in the context of NSCLC, which exploits the
strengths of the transformer architecture accounting for only available
features without requiring any imputation strategy. By making use of ad-hoc
losses for OS, it accounts for both censored and uncensored patients,
considering risks over time. We evaluated the results over a period of 6 years
using different time granularities obtaining a Ct-index, a time-dependent
variant of the C-index, of 71.97, 77.58 and 80.72 for time units of 1 month, 1
year and 2 years, respectively, outperforming all state-of-the-art methods
regardless of the imputation method used.
- Abstract(参考訳): 人工知能(AI)が適用可能な最も困難な分野の1つは、肺癌の研究、特に非小細胞肺癌(NSCLC)である。
特に、総合生存率(OS)は患者の状態を示す重要な指標であり、様々な生存確率を持つサブグループを特定するのに役立つ。
この分析では、考慮すべき課題が2つあります。
第一に、各患者から得られる情報を効果的に活用し、無検閲患者(つまり死亡者)と検閲患者(つまり生存者)の両方を活用し、死亡時刻も考慮した研究はほとんどない。
第二に、医療分野では不完全なデータの取り扱いが一般的な問題である。
この問題は、通常、インプテーション法を用いて取り組まれる。
本研究の目的は,NSCLC患者に対するOSの予測のために,検閲および非検閲患者の双方から効果的に学習し,これらの限界を克服できるAIモデルを提供することである。
NSCLCの文脈における生存分析への新しいアプローチを提案する。この手法は,計算戦略を必要とせず,利用可能な機能のみを考慮したトランスフォーマーアーキテクチャの強みを利用する。
OSのアドホックな損失を利用すると、検閲された患者と無検閲の患者の両方が、時間の経過とともにリスクを考慮に入れられる。
c-indexの時間依存型であるct-indexを1ヶ月,1年,2年の時間単位でそれぞれ71.97,77.58,80.72の異なる時間粒度を用いて6年間の結果を評価した。
関連論文リスト
- SurvRNC: Learning Ordered Representations for Survival Prediction using Rank-N-Contrast [4.5445892770974154]
Survival Rank-N Contrast (SurvRNC) は、生存時間に基づいて順序付けられた表現を得るための正規化器としての損失関数である。
訓練にSurvRNC法を用いることで,異なる深層生存モデルにおいて高い性能が得られることを示す。
論文 参考訳(メタデータ) (2024-03-15T18:00:11Z) - AI-Enabled Lung Cancer Prognosis [1.2054979237210064]
肺がんはがんによる死亡の主な原因であり、2020年には全世界で約179万人が死亡している。
これらのうち、非小細胞肺癌(NSCLC)が主な亜型であり、顕著な出血性予後を特徴とする。
人工知能(AI)の最近の進歩は、肺癌の予後に革命をもたらした。
論文 参考訳(メタデータ) (2024-02-12T22:09:43Z) - Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video
Sequences Using Swin Transformer-Enhanced UNet [2.7547288571938795]
本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。
ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
論文 参考訳(メタデータ) (2023-10-05T07:48:55Z) - Combining Survival Analysis and Machine Learning for Mass Cancer Risk
Prediction using EHR data [1.4544466111038845]
がんスクリーニング法は、しばしば費用がかかり、時間がかかり、大規模に適用が弱い。
高度な人工知能(AI)法は、がんの検出に大いに役立つが、特定のまたは深い医療データを必要とする。
本稿では, EHRデータを用いたがんリスク予測手法を提案する。
論文 参考訳(メタデータ) (2023-09-26T16:15:54Z) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳(メタデータ) (2023-09-07T17:07:33Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Multimodal Learning for Non-small Cell Lung Cancer Prognosis [10.321835786169894]
本稿では,肺癌の生存時間分析の課題に焦点をあてる。
肺癌に対する従来的およびいくつかの深層学習に基づく生存時間分析は、主にテキスト臨床情報に基づくものである。
我々は,Lite-ProSENetという生存分析ネットワークに対して,スマートな相互モダリティネットワークを提供する。
論文 参考訳(メタデータ) (2022-11-07T03:09:47Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳(メタデータ) (2022-02-08T10:03:24Z) - 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。