論文の概要: Developing a Novel Image Marker to Predict the Responses of Neoadjuvant
Chemotherapy (NACT) for Ovarian Cancer Patients
- arxiv url: http://arxiv.org/abs/2309.07087v1
- Date: Wed, 13 Sep 2023 16:59:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-14 13:18:22.253303
- Title: Developing a Novel Image Marker to Predict the Responses of Neoadjuvant
Chemotherapy (NACT) for Ovarian Cancer Patients
- Title(参考訳): 卵巣癌に対するネオアジュバント化学療法(NACT)の反応予測のための新しい画像マーカーの開発
- Authors: Ke Zhang, Neman Abdoli, Patrik Gilley, Youkabed Sadri, Xuxin Chen,
Theresa C. Thai, Lauren Dockery, Kathleen Moore, Robert S. Mannel, Yuchen Qiu
- Abstract要約: 本研究の目的は,NATの早期に高精度な応答予測を実現するために,新しい画像マーカーを開発することである。
まず, 腫瘍の特徴を定量化するために, 1373個の放射能の特徴を計算し, その特徴を幾何学的, 強度, テクスチャ的特徴の3つのカテゴリに分類した。
このクラスタを入力として使用し、最終マーカーを作成するためにSVMベースの分類器を開発し、NACT治療に反応する可能性を示した。
- 参考スコア(独自算出の注目度): 1.8210053690503532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Neoadjuvant chemotherapy (NACT) is one kind of treatment for
advanced stage ovarian cancer patients. However, due to the nature of tumor
heterogeneity, the patients' responses to NACT varies significantly among
different subgroups. To address this clinical challenge, the purpose of this
study is to develop a novel image marker to achieve high accuracy response
prediction of the NACT at an early stage. Methods: For this purpose, we first
computed a total of 1373 radiomics features to quantify the tumor
characteristics, which can be grouped into three categories: geometric,
intensity, and texture features. Second, all these features were optimized by
principal component analysis algorithm to generate a compact and informative
feature cluster. Using this cluster as the input, an SVM based classifier was
developed and optimized to create a final marker, indicating the likelihood of
the patient being responsive to the NACT treatment. To validate this scheme, a
total of 42 ovarian cancer patients were retrospectively collected. A nested
leave-one-out cross-validation was adopted for model performance assessment.
Results: The results demonstrate that the new method yielded an AUC (area under
the ROC [receiver characteristic operation] curve) of 0.745. Meanwhile, the
model achieved overall accuracy of 76.2%, positive predictive value of 70%, and
negative predictive value of 78.1%. Conclusion: This study provides meaningful
information for the development of radiomics based image markers in NACT
response prediction.
- Abstract(参考訳): 目的:ネオアジュバント化学療法(neoadjuvant chemotherapy:nact)は,進行期卵巣癌に対する治療法の一つである。
しかし,腫瘍の多様性により,nactに対する反応は異なるサブグループ間で有意差がみられた。
本研究の目的は,NATの早期に高精度な応答予測を実現するために,新しい画像マーカーを開発することである。
方法: この目的のために, 腫瘍の特徴を定量化するために, 1373個の放射能の特徴を初めて計算し, 幾何学的, 強度, テクスチャ的特徴の3つのカテゴリに分類した。
第二に、これらすべての機能は主成分分析アルゴリズムによって最適化され、コンパクトで情報性の高い特徴クラスタを生成する。
このクラスタを入力として使用し、最終マーカーを作成するためにSVMベースの分類器を開発し、NACT治療に反応する可能性を示した。
この方法を検証するため,卵巣癌患者42例をふりかえり収集した。
モデル性能評価には、ネストしたLeft-outクロスバリデーションが採用された。
結果: 新手法では, auc (roc (receiver characteristic operation) curve) が0.745であった。
一方、モデル全体の精度は76.2%、正の予測値は70%、負の予測値は78.1%であった。
結論: 本研究は, NACT応答予測における放射能に基づく画像マーカーの開発に有意義な情報を提供する。
関連論文リスト
- Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach
Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。
提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
論文 参考訳(メタデータ) (2024-01-28T23:33:56Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
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。
論文 参考訳(メタデータ) (2023-07-07T13:09:07Z) - 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) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳(メタデータ) (2022-11-08T11:50:31Z) - 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) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳(メタデータ) (2021-02-11T09:04:45Z) - Prognostic Power of Texture Based Morphological Operations in a
Radiomics Study for Lung Cancer [0.0]
この研究は、非小細胞肺癌(NSCLC)を患っている患者のオープンデータベース上で行われます。
腫瘍の特徴をCT画像から抽出し,PCAおよびKaplan-Meierサバイバル分析を用いて解析し,最も関連性の高いものを選択する。
1,589件の研究された特徴のうち、32件は患者の生存を予測するために関連している。
論文 参考訳(メタデータ) (2020-12-23T13:38:19Z) - 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。