論文の概要: An attention-based deep learning network for predicting Platinum
resistance in ovarian cancer
- arxiv url: http://arxiv.org/abs/2311.04769v1
- Date: Wed, 8 Nov 2023 15:47:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-09 15:23:57.150649
- Title: An attention-based deep learning network for predicting Platinum
resistance in ovarian cancer
- Title（参考訳）: 卵巣癌におけるプラチナ耐性予測のための注意型深層学習ネットワーク
- Authors: Haoming Zhuang, Beibei Li, Jingtong Ma, Patrice Monkam, Shouliang Qi,
Wei Qian, Dianning He
- Abstract要約: 本研究の目的は,患者がプラチナ耐性であるか否かを判定する深層学習に基づく手法を提案することである。
Squeeze-Excitation Block (SE Block)とSpatial Pyramid Pooling Layer (SPPLayer)をDense Convolutional Network (DenseNet)に追加することで、エンドツーエンドSE-SPP-DenseNetモデルを構築した。
SE-SPP-DenseNetは5倍のクロスバリデーションにより高い精度とAUC下におけるプラチナ抵抗の予測を達成した。
- 参考スコア（独自算出の注目度）: 3.0310842646092175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Ovarian cancer is among the three most frequent gynecologic
cancers globally. High-grade serous ovarian cancer (HGSOC) is the most common
and aggressive histological type. Guided treatment for HGSOC typically involves
platinum-based combination chemotherapy, necessitating an assessment of whether
the patient is platinum-resistant. The purpose of this study is to propose a
deep learning-based method to determine whether a patient is platinum-resistant
using multimodal positron emission tomography/computed tomography (PET/CT)
images. Methods: 289 patients with HGSOC were included in this study. An
end-to-end SE-SPP-DenseNet model was built by adding Squeeze-Excitation Block
(SE Block) and Spatial Pyramid Pooling Layer (SPPLayer) to Dense Convolutional
Network (DenseNet). Multimodal data from PET/CT images of the regions of
interest (ROI) were used to predict platinum resistance in patients. Results:
Through five-fold cross-validation, SE-SPP-DenseNet achieved a high accuracy
rate and an area under the curve (AUC) in predicting platinum resistance in
patients, which were 92.6% and 0.93, respectively. The importance of
incorporating SE Block and SPPLayer into the deep learning model, and
considering multimodal data was substantiated by carrying out ablation studies
and experiments with single modality data. Conclusions: The obtained
classification results indicate that our proposed deep learning framework
performs better in predicting platinum resistance in patients, which can help
gynecologists make better treatment decisions. Keywords: PET/CT, CNN, SE Block,
SPP Layer, Platinum resistance, Ovarian cancer
- Abstract（参考訳）: 背景:卵巣癌は世界でも最も頻度の高い婦人科がんである。
hgsoc (high-grade serous ovarian cancer) は、最も一般的で攻撃的な組織型である。
hgsocの誘導治療は一般的にプラチナベースの併用化学療法を要し、患者がプラチナ耐性かどうかを評価する必要がある。
本研究の目的は,マルチモーダルポジトロンエミッショントモグラフィ(pet/ct)画像を用いて,プラチナ耐性を判定する深層学習に基づく手法を提案することである。
方法: hgsoc患者289名について検討した。
Squeeze-Excitation Block (SE Block)とSpatial Pyramid Pooling Layer (SPPLayer)をDense Convolutional Network (DenseNet)に追加することで、エンドツーエンドのSE-SPP-DenseNetモデルを構築した。
興味領域(ROI)のPET/CT画像からのマルチモーダルデータを用いてプラチナ耐性の予測を行った。
結果: se-spp-densenetは5倍のクロスバリデーションにより, 92.6%, 93。
SEブロックとSPPLayerを深層学習モデルに組み込むことの重要性とマルチモーダルデータを考慮することは、単一のモーダルデータを用いたアブレーション研究と実験を行うことによって実証された。
結論: 得られた分類結果から, 提案した深層学習フレームワークは, 患者の白金抵抗の予測に優れており, 婦人科医がより良い治療決定を下すのに役立つことが示唆された。
キーワード:PET/CT, CNN, SE Block, SPP Layer, 白金耐性, 卵巣癌
関連論文リスト
- Benchmarking Histopathology Foundation Models for Ovarian Cancer Bevacizumab Treatment Response Prediction from Whole Slide Images [1.4999444543328293]
大規模全スライド画像(WSI)で訓練した最新の病理組織基盤モデルを用いて, 卵巣腫瘍組織の特徴を抽出し, ベクチズマブ反応を予測する。
我々の生存モデルは、統計的に有意な高リスクおよび低リスクのケースを成層化することができる。
論文 参考訳（メタデータ） (2024-07-30T07:15:39Z) - Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted
Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。
拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。
本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文 参考訳（メタデータ） (2023-11-30T15:11:03Z) - Cancer-Net PCa-Data: An Open-Source Benchmark Dataset for Prostate
Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging
Data [75.77035221531261]
Cancer-Net PCa-Dataは、PCa患者の画像データであるボリュームCDI$s$のオープンソースベンチマークデータセットである。
Cancer-Net PCa-Dataは、PCa用のCDI$s$画像データの最初の公開データセットである。
論文 参考訳（メタデータ） (2023-11-20T10:28:52Z) - 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) - 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) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Dysplasia grading of colorectal polyps through CNN analysis of WSI [5.8797822609846895]
提案されたディープラーニングベースの分類パイプラインは、最先端の畳み込みニューラルネットワークに基づいている。
実験の結果,腺腫の異形成度を70%の精度で分類することができた。
論文 参考訳（メタデータ） (2021-02-10T15:40:27Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - 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) - Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。
本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
論文 参考訳（メタデータ） (2020-06-28T19:55:34Z)
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。