論文の概要: Parameter-Efficient Methods for Metastases Detection from Clinical Notes
- arxiv url: http://arxiv.org/abs/2310.18472v1
- Date: Fri, 27 Oct 2023 20:30:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 18:19:03.870877
- Title: Parameter-Efficient Methods for Metastases Detection from Clinical Notes
- Title(参考訳): 臨床ノートからの転移検出のためのパラメータ効率のよい方法
- Authors: Maede Ashofteh Barabadi, Xiaodan Zhu, Wai Yip Chan, Amber L. Simpson,
Richard K.G. Do
- Abstract要約: 本研究の目的は,CT(Free-style Computed Tomography)ラジオグラフィーによる転移性肝疾患の検出を自動化することである。
本研究は,3つのアプローチを用いて知識を伝達することで,モデルの性能を向上させることを実証する。
- 参考スコア(独自算出の注目度): 19.540079966780954
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the progression of cancer is crucial for defining treatments
for patients. The objective of this study is to automate the detection of
metastatic liver disease from free-style computed tomography (CT) radiology
reports. Our research demonstrates that transferring knowledge using three
approaches can improve model performance. First, we utilize generic language
models (LMs), pretrained in a self-supervised manner. Second, we use a
semi-supervised approach to train our model by automatically annotating a large
unlabeled dataset; this approach substantially enhances the model's
performance. Finally, we transfer knowledge from related tasks by designing a
multi-task transfer learning methodology. We leverage the recent advancement of
parameter-efficient LM adaptation strategies to improve performance and
training efficiency. Our dataset consists of CT reports collected at Memorial
Sloan Kettering Cancer Center (MSKCC) over the course of 12 years. 2,641
reports were manually annotated by domain experts; among them, 841 reports have
been annotated for the presence of liver metastases. Our best model achieved an
F1-score of 73.8%, a precision of 84%, and a recall of 65.8%.
- Abstract(参考訳): がんの進行を理解することは、患者の治療を定義する上で重要である。
本研究の目的は,CT(Free-style Computed Tomography)ラジオグラフィーによる転移性肝疾患の検出を自動化することである。
本研究は,3つのアプローチによる知識の伝達がモデル性能を向上させることを示す。
まず,自己教師あり方式で事前学習した汎用言語モデル(lms)を利用する。
第2に,大規模なラベル付きデータセットを自動的にアノテートすることで,モデルのトレーニングに半教師付きアプローチを用いる。
最後に,マルチタスクトランスファー学習手法の設計により,関連するタスクから知識を転送する。
パラメータ効率の高いLM適応戦略の最近の進歩を活用し,性能向上と訓練効率の向上を図る。
われわれのデータセットは,12年間にわたってメモリアル・スローン・ケタリング癌センター(MSKCC)で収集されたCTデータからなる。
2,641件の報告は,手動で診断され,そのうち841件が肝転移と診断されている。
我々の最良のモデルはF1スコア73.8%、精度84%、リコール65.8%を達成した。
関連論文リスト
- EXACT-Net:EHR-guided lung tumor auto-segmentation for non-small cell
lung cancer radiotherapy [8.380581495879433]
非小細胞肺癌(NSCLC)患者の60%以上が放射線治療を必要とする。
当院で治療した10例のNSCLCデータを用いて結節検出が250%向上した。
論文 参考訳(メタデータ) (2024-02-21T19:49:12Z) - Survival and grade of the glioma prediction using transfer learning [0.0]
本研究では,トランスファーラーニング技術を用いた新しい手法を提案する。
EfficientNet、ResNet、VGG16、Inceptionなど、事前訓練されたネットワークがテストされた。
実験の結果、生存予測では65%の精度を示し、患者を短期、中長期、長期の生存カテゴリーに分類した。
低次グリオーマ (LGG) と高次グリオーマ (HGG) を正確に区別した。
論文 参考訳(メタデータ) (2024-02-04T09:07:07Z) - Semi-supervised ViT knowledge distillation network with style transfer
normalization for colorectal liver metastases survival prediction [1.283897253352624]
本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。
まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。
転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
論文 参考訳(メタデータ) (2023-11-17T03:32:11Z) - 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) - Efficient Lung Cancer Image Classification and Segmentation Algorithm
Based on Improved Swin Transformer [0.0]
トランスモデルは、自然言語処理(NLP)の成功の後、コンピュータビジョン(CV)の分野に適用された。
本稿では,効率的なトランスを用いたセグメンテーション手法を創造的に提案し,医用画像解析に応用する。
本アルゴリズムは,肺癌データを解析して肺がん分類と分節化のタスクを完了し,医療スタッフに効率的な技術支援を提供することを目的とする。
論文 参考訳(メタデータ) (2022-07-04T15:50:06Z) - Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。
医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。
外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
論文 参考訳(メタデータ) (2022-07-01T14:17:11Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳(メタデータ) (2022-04-22T17:27:00Z) - 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) - A Transfer Learning Based Active Learning Framework for Brain Tumor
Classification [10.437969366798411]
そこで我々は,アノテーションのコストを削減するために,新しい移動学習に基づくアクティブラーニングフレームワークを提案する。
我々は,203症例のMRIトレーニングデータセットを用いて,2次元スライス法を用いてモデルを訓練・微調整する。
提案手法により,66例の個別検査データセットを用いて,AUC(Area Under Receiver Operating Characteristics)曲線の82.89%を達成した。
論文 参考訳(メタデータ) (2020-11-16T21:11:40Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳(メタデータ) (2020-02-22T14:10:13Z)
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。