論文の概要: Designing a Deep Learning-Driven Resource-Efficient Diagnostic System
for Metastatic Breast Cancer: Reducing Long Delays of Clinical Diagnosis and
Improving Patient Survival in Developing Countries
- arxiv url: http://arxiv.org/abs/2308.02597v1
- Date: Fri, 4 Aug 2023 03:09:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 19:48:20.908886
- Title: Designing a Deep Learning-Driven Resource-Efficient Diagnostic System
for Metastatic Breast Cancer: Reducing Long Delays of Clinical Diagnosis and
Improving Patient Survival in Developing Countries
- Title(参考訳): 深層学習駆動型乳癌診断システムの設計 : 開発途上国における臨床診断の長期遅延の低減と患者の生存率の向上
- Authors: William Gao, Dayong Wang and Yi Huang
- Abstract要約: 症状の初期発生と診断の受入の遅延は15カ月以上延長する可能性がある。
本研究は,転移性乳癌に対する深層学習に基づく診断システムを開発した。
MobileNetV2診断モデルは、正常な細胞の大部分に埋め込まれた非常に小さな癌ノードを特定することができる。
- 参考スコア(独自算出の注目度): 8.024420292033492
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Breast cancer is one of the leading causes of cancer mortality. Breast cancer
patients in developing countries, especially sub-Saharan Africa, South Asia,
and South America, suffer from the highest mortality rate in the world. One
crucial factor contributing to the global disparity in mortality rate is long
delay of diagnosis due to a severe shortage of trained pathologists, which
consequently has led to a large proportion of late-stage presentation at
diagnosis. The delay between the initial development of symptoms and the
receipt of a diagnosis could stretch upwards 15 months. To tackle this critical
healthcare disparity, this research has developed a deep learning-based
diagnosis system for metastatic breast cancer that can achieve high diagnostic
accuracy as well as computational efficiency. Based on our evaluation, the
MobileNetV2-based diagnostic model outperformed the more complex VGG16,
ResNet50 and ResNet101 models in diagnostic accuracy, model generalization, and
model training efficiency. The visual comparisons between the model prediction
and ground truth have demonstrated that the MobileNetV2 diagnostic models can
identify very small cancerous nodes embedded in a large area of normal cells
which is challenging for manual image analysis. Equally Important, the light
weighted MobleNetV2 models were computationally efficient and ready for mobile
devices or devices of low computational power. These advances empower the
development of a resource-efficient and high performing AI-based metastatic
breast cancer diagnostic system that can adapt to under-resourced healthcare
facilities in developing countries. This research provides an innovative
technological solution to address the long delays in metastatic breast cancer
diagnosis and the consequent disparity in patient survival outcome in
developing countries.
- Abstract(参考訳): 乳癌はがん死亡の主な原因の1つである。
発展途上国、特にサハラ以南のアフリカ、南アジア、南アメリカの乳がん患者は、世界で最も死亡率が高い。
死亡率のグローバルな格差に寄与する重要な要因の1つは、訓練された病理医の不足による診断の長い遅れであり、その結果、診断における後期的なプレゼンテーションが多数発生している。
症状の初期発生と診断の受領の間の遅延は15カ月以上も延長する可能性がある。
この重要な医療格差に対処するため、本研究は、高い診断精度と計算効率を実現できる転移性乳癌のディープラーニングに基づく診断システムを開発した。
評価の結果,MobileNetV2を用いた診断モデルは,より複雑なVGG16,ResNet50,ResNet101モデルよりも精度が高く,モデルの一般化,モデルの訓練効率が優れていた。
モデル予測と地上真実との視覚的比較により、MobileNetV2診断モデルは、手動画像解析に難渋する正常な細胞の大部分に埋め込まれた非常に小さな癌ノードを特定できることを示した。
同様に、軽量のMobleNetV2モデルは計算効率が良く、モバイルデバイスや計算能力の低いデバイスに対応できた。
これらの進歩は、開発途上国の未調達医療施設に適応できる、資源効率が高く高性能なAIベースの転移性乳癌診断システムの開発を促進する。
本研究は,進行途上国における転移性乳癌診断の長期遅延と患者生存率の相違に対処する革新的な技術的解決策を提供する。
関連論文リスト
- 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) - Application analysis of ai technology combined with spiral CT scanning
in early lung cancer screening [15.6839495538166]
肺癌患者の5年間の生存率は、まだ20%以下であり、進行している。
近年、人工知能技術が腫瘍学に徐々に応用され始めている。
本研究は, 早期肺癌検診において, 安全かつ効率的な検診方法を見いだす目的で, 組み合わせた方法を適用した。
論文 参考訳(メタデータ) (2024-01-26T07:58:09Z) - Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted
Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。
拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。
本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文 参考訳(メタデータ) (2023-11-30T15:11:03Z) - A Foundational Framework and Methodology for Personalized Early and
Timely Diagnosis [84.6348989654916]
本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。
診断過程を概説する決定論的アプローチに基づいている。
機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
論文 参考訳(メタデータ) (2023-11-26T14:42:31Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - Breast Cancer Detection and Diagnosis: A comparative study of
state-of-the-arts deep learning architectures [3.883460584034766]
南アフリカなど世界3カ国の乳がん患者の生存率は驚くほど低い。
医療専門家や研究者は、エンドツーエンドソリューションを開発するために、ドメイン固有のAIアプローチ、特にディープラーニングモデルに目を向けている。
本研究では、ビジョントランスフォーマー(ViT)と呼ばれる比較的新しいモデルと比較して、様々な最先端畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価することに焦点を当てる。
論文 参考訳(メタデータ) (2023-05-31T15:21:34Z) - Breast Cancer Classification using Deep Learned Features Boosted with
Handcrafted Features [0.0]
早期発見・分類・診断の枠組みを考えることは,研究コミュニティにとって最も重要である。
本稿では,マンモグラフィーを用いた乳癌の分類のための新しい枠組みを提案する。
提案するフレームワークは,新しい畳み込みニューラルネットワーク(CNN)機能から抽出したロバストな特徴と手作りの機能を組み合わせたものである。
論文 参考訳(メタデータ) (2022-06-26T07:54:09Z) - Towards Reliable and Explainable AI Model for Solid Pulmonary Nodule
Diagnosis [20.510918720980467]
肺がんは世界で最も死亡率が高い。
結節検出・診断において,放射線科医を支援するコンピュータ支援診断システム(CAD)が開発された。
モデル信頼性の欠如と解釈可能性の欠如は、その大規模臨床応用の大きな障害である。
論文 参考訳(メタデータ) (2022-04-08T08:21:00Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳(メタデータ) (2022-02-17T08:33:52Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z)
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。