論文の概要: A Robust Deep Learning Method with Uncertainty Estimation for the
Pathological Classification of Renal Cell Carcinoma based on CT Images
- arxiv url: http://arxiv.org/abs/2311.00567v2
- Date: Sun, 12 Nov 2023 17:42:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 19:51:38.573386
- Title: A Robust Deep Learning Method with Uncertainty Estimation for the
Pathological Classification of Renal Cell Carcinoma based on CT Images
- Title(参考訳): CT画像による腎細胞癌の病理分類における不確かさ推定を用いたロバスト深層学習法
- Authors: Ni Yao, Hang Hu, Kaicong Chen, Chen Zhao, Yuan Guo, Boya Li, Jiaofen
Nan, Yanting Li, Chuang Han, Fubao Zhu, Weihua Zhou, Li Tian
- Abstract要約: 開発した深層学習モデルは,RCCの病的サブタイプを予測する上で,頑健な性能を示した。
統合された不確実性は,臨床的意思決定を支援する上で重要なモデル信頼の重要性を強調した。
- 参考スコア(独自算出の注目度): 10.860934781772098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objectives To develop and validate a deep learning-based diagnostic model
incorporating uncertainty estimation so as to facilitate radiologists in the
preoperative differentiation of the pathological subtypes of renal cell
carcinoma (RCC) based on CT images. Methods Data from 668 consecutive patients,
pathologically proven RCC, were retrospectively collected from Center 1. By
using five-fold cross-validation, a deep learning model incorporating
uncertainty estimation was developed to classify RCC subtypes into clear cell
RCC (ccRCC), papillary RCC (pRCC), and chromophobe RCC (chRCC). An external
validation set of 78 patients from Center 2 further evaluated the model's
performance. Results In the five-fold cross-validation, the model's area under
the receiver operating characteristic curve (AUC) for the classification of
ccRCC, pRCC, and chRCC was 0.868 (95% CI: 0.826-0.923), 0.846 (95% CI:
0.812-0.886), and 0.839 (95% CI: 0.802-0.88), respectively. In the external
validation set, the AUCs were 0.856 (95% CI: 0.838-0.882), 0.787 (95% CI:
0.757-0.818), and 0.793 (95% CI: 0.758-0.831) for ccRCC, pRCC, and chRCC,
respectively. Conclusions The developed deep learning model demonstrated robust
performance in predicting the pathological subtypes of RCC, while the
incorporated uncertainty emphasized the importance of understanding model
confidence, which is crucial for assisting clinical decision-making for
patients with renal tumors. Clinical relevance statement Our deep learning
approach, integrated with uncertainty estimation, offers clinicians a dual
advantage: accurate RCC subtype predictions complemented by diagnostic
confidence references, promoting informed decision-making for patients with
RCC.
- Abstract(参考訳): 目的:CT画像に基づく腎細胞癌(RCC)の病態サブタイプの術前分化を促進するため、不確実性推定を取り入れた深層学習に基づく診断モデルの開発と検証を行う。
病理学的に証明されたrcc668例の手法データをセンター1から回顧的に収集した。
5倍のクロスバリデーションを用いてRCCサブタイプをクリアセルRCC (ccRCC) , 乳頭RCC (pRCC) , クロモフォベRCC (chRCC) に分類する深層学習モデルを開発した。
センター2の78名の外的検証セットは、モデルの性能をさらに評価した。
その結果, RCC, pRCC, chRCCの分類は, それぞれ0.868 (95% CI: 0.826-0.923), 0.846 (95% CI: 0.812-0.886), 0.839 (95% CI: 0.802-0.88) であった。
外部検証セットでは, ccRCC, pRCC, chRCCはそれぞれ0.856 (95% CI: 0.838-0.882), 0.787 (95% CI: 0.757-0.818), 0.793 (95% CI: 0.758-0.831)であった。
結語 発達した深層学習モデルはRCCの病的サブタイプを予測する上で頑健な性能を示し, 包括的不確実性は, 腎腫瘍患者の臨床的意思決定を支援する上で重要な理解モデル信頼性の重要性を強調した。
臨床関連性ステートメント 深層学習アプローチは、不確実性評価と統合され、臨床医に二重の利点をもたらす: 診断信頼性基準を補完する正確なRCCサブタイプ予測、RCC患者の情報意思決定を促進する。
関連論文リスト
- CIMIL-CRC: a clinically-informed multiple instance learning framework
for patient-level colorectal cancer molecular subtypes classification from
H\&E stained images [45.32169712547367]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳(メタデータ) (2024-01-29T12:56:11Z) - Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive
Learning [19.948079693716075]
提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。
77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
論文 参考訳(メタデータ) (2024-01-25T20:03:57Z) - Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma
Chemoradiotherapy using Planning CT-based Radiomics Model [5.485361086613949]
非転移性肛門扁平上皮癌(SCC)患者の約30%が化学療法後の再発を経験する
我々は,放射線前処置計画CTから抽出した情報を利用して,CRT後のSCC患者における再発無生存(RFS)を予測するモデルを開発した。
論文 参考訳(メタデータ) (2023-09-05T20:22:26Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳(メタデータ) (2023-03-03T12:05:41Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - DeepCOVID-Fuse: A Multi-modality Deep Learning Model Fusing Chest
X-Radiographs and Clinical Variables to Predict COVID-19 Risk Levels [8.593516170110203]
DeepCOVID-Fuseは、新型コロナウイルス患者のリスクレベルを予測するディープラーニング融合モデルである。
CXRと臨床変数で訓練されたDeepCOVID-Fuseの精度は0.658であり、AUCは0.842である。
論文 参考訳(メタデータ) (2023-01-20T20:54:25Z) - Mutual Information and Ensemble Based Feature Recommender for Renal
Cancer Stage Classification [0.7938093309723064]
最も有害なRCCはクリア細胞腎細胞癌(ccRCC)である
ccRCCの早期かつ正確な検出は、他の臓器における疾患のさらなる拡散を防ぐために必要である。
本稿では,ccRCCの診断に有効な重要な特徴を明らかにするための詳細な実験を行う。
論文 参考訳(メタデータ) (2022-09-28T04:54:37Z) - Semi-supervised learning for generalizable intracranial hemorrhage
detection and segmentation [0.0]
本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。
最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。
2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
論文 参考訳(メタデータ) (2021-05-03T00:14:43Z) - Performance of Dual-Augmented Lagrangian Method and Common Spatial
Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。
使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
論文 参考訳(メタデータ) (2020-10-13T20:50:13Z) - COVID-Net S: Towards computer-aided severity assessment via training and
validation of deep neural networks for geographic extent and opacity extent
scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。
本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
論文 参考訳(メタデータ) (2020-05-26T16:33:52Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳(メタデータ) (2020-04-02T21:49:14Z)
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。