論文の概要: Combining Survival Analysis and Machine Learning for Mass Cancer Risk
Prediction using EHR data
- arxiv url: http://arxiv.org/abs/2309.15039v1
- Date: Tue, 26 Sep 2023 16:15:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 12:53:02.560964
- Title: Combining Survival Analysis and Machine Learning for Mass Cancer Risk
Prediction using EHR data
- Title（参考訳）: EHRデータを用いた大量癌リスク予測のための生存分析と機械学習の組み合わせ
- Authors: Petr Philonenko, Vladimir Kokh, Pavel Blinov
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.4544466111038845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purely medical cancer screening methods are often costly, time-consuming, and
weakly applicable on a large scale. Advanced Artificial Intelligence (AI)
methods greatly help cancer detection but require specific or deep medical
data. These aspects affect the mass implementation of cancer screening methods.
For these reasons, it is a disruptive change for healthcare to apply AI methods
for mass personalized assessment of the cancer risk among patients based on the
existing Electronic Health Records (EHR) volume.
This paper presents a novel method for mass cancer risk prediction using EHR
data. Among other methods, our one stands out by the minimum data greedy
policy, requiring only a history of medical service codes and diagnoses from
EHR. We formulate the problem as a binary classification. This dataset contains
175 441 de-identified patients (2 861 diagnosed with cancer). As a baseline, we
implement a solution based on a recurrent neural network (RNN). We propose a
method that combines machine learning and survival analysis since these
approaches are less computationally heavy, can be combined into an ensemble
(the Survival Ensemble), and can be reproduced in most medical institutions.
We test the Survival Ensemble in some studies. Firstly, we obtain a
significant difference between values of the primary metric (Average Precision)
with 22.8% (ROC AUC 83.7%, F1 17.8%) for the Survival Ensemble versus 15.1%
(ROC AUC 84.9%, F1 21.4%) for the Baseline. Secondly, the performance of the
Survival Ensemble is also confirmed during the ablation study. Thirdly, our
method exceeds age baselines by a significant margin. Fourthly, in the blind
retrospective out-of-time experiment, the proposed method is reliable in cancer
patient detection (9 out of 100 selected). Such results exceed the estimates of
medical screenings, e.g., the best Number Needed to Screen (9 out of 1000
screenings).
- Abstract（参考訳）: 純粋に医療用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、大規模に応用できる。
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。
これらの側面は、がんスクリーニング法の大量実施に影響する。
これらの理由から、既存のElectronic Health Records(EHR)ボリュームに基づいて、がんリスクの大量パーソナライズされた評価にAI手法を適用することは、医療にとって破壊的な変化である。
本稿ではeerrデータを用いた新しい大腸癌リスク予測法を提案する。
その他の方法の1つは、医療サービスコードの歴史とEHRからの診断を必要とせず、最低限のデータ欲求政策によって際立っている。
我々は問題を二分分類として定式化する。
このデータセットは、175人の未同定患者(癌と診断された2,861人)を含む。
ベースラインとして、リカレントニューラルネットワーク(RNN)に基づくソリューションを実装している。
本稿では,機械学習と生存分析を組み合わせた手法を提案する。これらの手法は計算量が少なく,アンサンブル(サバイバルアンサンブル)に組み込むことができ,ほとんどの医療機関で再現できる。
いくつかの研究でサバイバルアンサンブルをテストする。
まず,一次測定値(平均精度)の22.8%(ROC AUC 83.7%, F1 17.8%)と生存アンサンブルの15.1%(ROC AUC 84.9%, F1 21.4%)との有意な差を求める。
第2に、アブレーション研究中にサバイバルアンサンブルのパフォーマンスも確認された。
第3に,本手法は年齢ベースラインを大きく上回っている。
第4に, ブラインド・レトロスペクティブ・オブ・タイム実験において, 提案手法は癌患者検出に信頼性がある(選択した100名中9名)。
これらの結果は、例えば、ベストナンバー・トゥ・スクリーン(1000のスクリーニングのうち9つ)など、医療スクリーニングの見積もりを上回っている。
関連論文リスト
- Deep learning-based identification of patients at increased risk of cancer using routine laboratory markers [2.482109221766753]
がんスクリーニングは、スクリーニング方法と頻度を決定するために、最初のリスク階層化ステップを含む。
ほとんどのスクリーニングプログラムでは、年齢や家族歴などの臨床リスク要因は、最初のリスク階層化アルゴリズムの一部である。
本研究は, 大腸癌, 肝癌, 肺癌のリスクのある患者を鑑別するために, 血液計数や完全代謝パネルなどの簡便な血液検査を併用できることを実証した。
論文 参考訳（メタデータ） (2024-10-25T15:50:27Z) - Coalitions of AI-based Methods Predict 15-Year Risks of Breast Cancer Metastasis Using Real-World Clinical Data with AUC up to 0.9 [6.712251433139411]
乳がんは女性の死亡率が最も高い2つのがんのうちの1つで、米国では毎年約4万2000人が死亡している。
現在の予後指標は、局所治療後に治癒したと思われる5人の女性のうち4人にはほとんど効果がない。
我々は、既存のデータのみを用いて、ROC分析において最大0.9のAUCを示すアルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-08-29T04:35:36Z) - Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。
本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文 参考訳（メタデータ） (2024-05-23T07:03:38Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。
ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。
本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文 参考訳（メタデータ） (2024-05-13T15:40:56Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳（メタデータ） (2023-04-12T15:08:34Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳（メタデータ） (2022-11-10T03:02:12Z) - An Artificial Intelligence Outlook for Colorectal Cancer Screening [1.417373050337415]
大腸癌は男性で3番目に多い腫瘍であり、女性では2番目に多く、世界の全腫瘍の10%を占めている。
がん関連死亡率は9.4%で、肺がんに次いで第2位である。
論文 参考訳（メタデータ） (2022-09-05T07:27:50Z) - 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) - DeepMMSA: A Novel Multimodal Deep Learning Method for Non-small Cell
Lung Cancer Survival Analysis [8.78724404464036]
我々は,非小細胞肺癌(NSCLC)生存率解析のための多モード深層学習法,DeepMMSAを提案する。
臨床データと組み合わせてCT画像を活用することにより、医用画像内の豊富な情報を肺がん生存情報に関連付けることができる。
論文 参考訳（メタデータ） (2021-06-12T11:02:14Z) - 3D Neural Network for Lung Cancer Risk Prediction on CT Volumes [0.6810862244331126]
肺がんはアメリカ合衆国で最も多いがん死の原因である。
肺がんCT検査は、死亡率を40%まで下げることが示されている。
放射線診断の基準が採用されているにもかかわらず, 経年変化が持続的であり, 包括的画像所見の不完全な特徴が現在の方法の限界として残っている。
本稿では,肺がんリスク予測のための最先端ディープラーニングアルゴリズムを再現する。
論文 参考訳（メタデータ） (2020-07-25T10:01:22Z)
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。