論文の概要: Prostate Age Gap (PAG): An MRI surrogate marker of aging for prostate
cancer detection
- arxiv url: http://arxiv.org/abs/2308.05344v1
- Date: Thu, 10 Aug 2023 05:20:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 13:36:23.810378
- Title: Prostate Age Gap (PAG): An MRI surrogate marker of aging for prostate
cancer detection
- Title(参考訳): 前立腺年齢ギャップ(pag) : 前立腺癌検出のためのmriによる加齢マーカー
- Authors: Alvaro Fernandez-Quilez, Tobias Nordstr\"om, Fredrik J\"aderling,
Svein Reidar Kjosavik and Martin Eklund
- Abstract要約: 前立腺年齢ギャップ(PAG)は臨床的に有意なPC(csPC)のリスクに大きく関連し、他の確立したPCリスク因子よりも優れていた。
- 参考スコア(独自算出の注目度): 0.15518894748362708
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Prostate cancer (PC) MRI-based risk calculators are commonly
based on biological (e.g. PSA), MRI markers (e.g. volume), and patient age.
Whilst patient age measures the amount of years an individual has existed,
biological age (BA) might better reflect the physiology of an individual.
However, surrogates from prostate MRI and linkage with clinically significant
PC (csPC) remain to be explored. Purpose: To obtain and evaluate Prostate Age
Gap (PAG) as an MRI marker tool for csPC risk. Study type: Retrospective.
Population: A total of 7243 prostate MRI slices from 468 participants who had
undergone prostate biopsies. A deep learning model was trained on 3223 MRI
slices cropped around the gland from 81 low-grade PC (ncsPC, Gleason score <=6)
and 131 negative cases and tested on the remaining 256 participants.
Assessment: Chronological age was defined as the age of the participant at the
time of the visit and used to train the deep learning model to predict the age
of the patient. Following, we obtained PAG, defined as the model predicted age
minus the patient's chronological age. Multivariate logistic regression models
were used to estimate the association through odds ratio (OR) and predictive
value of PAG and compared against PSA levels and PI-RADS>=3. Statistical tests:
T-test, Mann-Whitney U test, Permutation test and ROC curve analysis. Results:
The multivariate adjusted model showed a significant difference in the odds of
clinically significant PC (csPC, Gleason score >=7) (OR =3.78, 95% confidence
interval (CI):2.32-6.16, P <.001). PAG showed a better predictive ability when
compared to PI-RADS>=3 and adjusted by other risk factors, including PSA
levels: AUC =0.981 vs AUC =0.704, p<.001. Conclusion: PAG was significantly
associated with the risk of clinically significant PC and outperformed other
well-established PC risk factors.
- Abstract(参考訳): 背景: 前立腺癌(PC)MRIベースのリスク電卓は一般に生物学的(例えばPSA)、MRIマーカー(例えば容積)、および患者年齢に基づいている。
患者年齢は個体の年齢を計測するが、生物学的年齢(ba)は個体の生理学を反映した方がよい。
しかし, 前立腺MRIと臨床上重要なPC(csPC)の関連性について検討する。
目的:csPCリスクのMRIマーカーとして,前立腺年齢ギャップ(PAG)の取得と評価を行う。
研究タイプ:ふりかえり。
人口: 前立腺生検を受けた468名から7243名の前立腺MRIスライスを行った。
81例の低悪性度pc (ncspc, gleason score <=6) と131例のmriスライスを採取し, 残りの256例について深層学習モデルを用いて検討した。
評価: 時系列年齢は来訪時の参加者の年齢と定義され, 深層学習モデルを用いて患者の年齢を予測した。
その後, 年齢予測モデルとして定義されたPAGが, 患者の時系列年齢を抑えた。
多変量ロジスティック回帰モデルを用いてオッズ比(OR)とPAGの予測値を用いて相関を推定し,PSA値とPI-RADS>=3。
統計的テスト:T-test、Mann-Whitney Uテスト、Permutationテスト、ROC曲線解析。
結果: 多変量調整モデルでは臨床的に有意なpc (cspc, gleason score >=7) (3.78, 95%信頼区間 (ci): 2.32-6.16, p <.001) の確率に有意差が認められた。
PAGはPI-RADS>=3と比較し, PSA値を含む他の危険因子(AUC=0.981対AUC=0.704, p<.001。
結論: PAGは臨床的に有意なPCのリスクと,他の確立されたPCのリスク因子よりも優れていた。
関連論文リスト
- Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。
深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
論文 参考訳(メタデータ) (2024-10-21T17:41:58Z) - 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) - Predicting breast cancer with AI for individual risk-adjusted MRI
screening and early detection [1.3367806441522678]
本稿では,現在のMRIに基づいて1年以内に乳癌の発症リスクを予測することを提案する。
検診・診断を施行した12,694例の乳房53,858例を対象にAIアルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-11-29T19:52:53Z) - Development of a Deep Learning Method to Identify Acute Ischemic Stroke
Lesions on Brain CT [38.06921198677509]
ディープラーニング技術は、自動化されたCT脳スキャンアセスメントを提供することができるが、通常は注釈付き画像を必要とする。
我々は,第3回国際ストローク裁判(IST-3)のCT脳スキャンを用いた畳み込みニューラルネットワークを用いたDLアルゴリズムを設計した。
DL法は病変の有無と側方で72%の精度が得られた。
論文 参考訳(メタデータ) (2023-09-29T15:28:16Z) - A new methodology to predict the oncotype scores based on
clinico-pathological data with similar tumor profiles [0.0]
Oncotype DX (ODX) は乳がんの分子検査である。
本研究の目的は,医師の意思決定を支援する新しい手法を提案することである。
論文 参考訳(メタデータ) (2023-03-13T10:08:13Z) - 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) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳(メタデータ) (2023-02-02T08:45:17Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳(メタデータ) (2022-01-31T09:39:52Z) - Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。
686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
論文 参考訳(メタデータ) (2021-06-06T07:11:25Z) - Deep Learning for fully automatic detection, segmentation, and Gleason
Grade estimation of prostate cancer in multiparametric Magnetic Resonance
Images [0.731365367571807]
本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。
PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。
ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
論文 参考訳(メタデータ) (2021-03-23T16:08:43Z) - Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI
using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。
前立腺切除術による脱線をMRIでトレーニングした。
前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
論文 参考訳(メタデータ) (2020-10-28T21:07:09Z)
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。