論文の概要: Ovarian Cancer Data Analysis using Deep Learning: A Systematic Review
from the Perspectives of Key Features of Data Analysis and AI Assurance
- arxiv url: http://arxiv.org/abs/2311.11932v1
- Date: Mon, 20 Nov 2023 17:17:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 17:53:21.197313
- Title: Ovarian Cancer Data Analysis using Deep Learning: A Systematic Review
from the Perspectives of Key Features of Data Analysis and AI Assurance
- Title（参考訳）: ディープラーニングを用いた卵巣癌データ解析:データ分析とai保証の重要機能の観点からの体系的考察
- Authors: Muta Tah Hira, Mohammad A. Razzaque, and Mosharraf Sarker
- Abstract要約: 機械学習(ML/DL)ベースの自律データ分析ツールは、臨床医やがん研究者が複雑なデータセットからパターンや関係を発見するのを助ける。
卵巣癌(OC)データに関する多くのDLベース分析が最近公表されている。
しかし、これらの特徴とAI保証(AIA)の観点から、これらの分析の包括的な理解は、現在不足している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background and objectives: By extracting this information, Machine or Deep
Learning (ML/DL)-based autonomous data analysis tools can assist clinicians and
cancer researchers in discovering patterns and relationships from complex data
sets. Many DL-based analyses on ovarian cancer (OC) data have recently been
published. These analyses are highly diverse in various aspects of cancer
(e.g., subdomain(s) and cancer type they address) and data analysis features.
However, a comprehensive understanding of these analyses in terms of these
features and AI assurance (AIA) is currently lacking. This systematic review
aims to fill this gap by examining the existing literature and identifying
important aspects of OC data analysis using DL, explicitly focusing on the key
features and AI assurance perspectives. Methods: The PRISMA framework was used
to conduct comprehensive searches in three journal databases. Only studies
published between 2015 and 2023 in peer-reviewed journals were included in the
analysis. Results: In the review, a total of 96 DL-driven analyses were
examined. The findings reveal several important insights regarding DL-driven
ovarian cancer data analysis: - Most studies 71% (68 out of 96) focused on
detection and diagnosis, while no study addressed the prediction and prevention
of OC. - The analyses were predominantly based on samples from a non-diverse
population (75% (72/96 studies)), limited to a geographic location or country.
- Only a small proportion of studies (only 33% (32/96)) performed integrated
analyses, most of which used homogeneous data (clinical or omics). - Notably, a
mere 8.3% (8/96) of the studies validated their models using external and
diverse data sets, highlighting the need for enhanced model validation, and -
The inclusion of AIA in cancer data analysis is in a very early stage; only
2.1% (2/96) explicitly addressed AIA through explainability.
- Abstract（参考訳）: 背景と目的: この情報を抽出することにより、ML/DL(Machine or Deep Learning)ベースの自律データ分析ツールは、臨床医やがん研究者が複雑なデータセットからパターンや関係を発見するのを助けることができる。
卵巣癌(OC)データに関する多くのDLベース分析が最近公表されている。
これらの分析は、がんの様々な側面(サブドメインやそれに対応するがんの種類など)やデータ分析の特徴において非常に多様である。
しかし、これらの特徴とAI保証(AIA)の観点から、これらの分析の包括的な理解は、現在不足している。
この体系的なレビューは、既存の文献を調べ、DLを使用してOCデータ分析の重要な側面を特定し、重要な特徴とAI保証の観点から明確に焦点を当てることで、このギャップを埋めることを目的としている。
方法: PRISMAフレームワークは3つのジャーナルデータベースで包括的な検索を行うために使用された。
2015年から2023年の間、査読付きジャーナルで発表された研究のみが分析に含まれていた。
結果: 総計96例のDL駆動分析を行った。
その結果, DL駆動性卵巣癌データ解析に関する重要な知見がいくつか示された: - ほとんどの研究は71% (96点中68点) で, 検出と診断に重点を置いているが, OCの予測と予防に対処する研究は行われていない。
-主に非多様性人口(75%(72/96研究))から採取した試料に基づいて分析を行い,地理的な地域や国に限定された。
-ごく一部の研究(33%(32/96)のみ)が統合分析を行い、そのほとんどが均質なデータ(clinicalまたは omics)を使用していた。
特に,本研究のわずか8.3%(8/96)は,外部および多種多様なデータセットを用いてモデルを検証し,モデル検証の強化の必要性を強調し,がんデータ解析へのAIAの関与はごく初期段階にある。
関連論文リスト
- SemioLLM: Assessing Large Language Models for Semiological Analysis in Epilepsy Research [45.2233252981348]
大規模言語モデルは、一般的な医学的知識をエンコードする能力において有望な結果を示している。
内科的知識を活用しててててんかんの診断を行う技術について検討した。
論文 参考訳（メタデータ） (2024-07-03T11:02:12Z) - Applications of artificial intelligence in the analysis of histopathology images of gliomas: a review [0.33999813472511115]
本稿では,ヒトグリオーマの全スライディング組織像に対するAIベースの手法を提案する83の公開研究について検討する。
現在の研究の焦点は、成人型びまん性グリオーマのヘマトキシリンおよびエオシン染色組織分画の評価である。
これまでのところ、AIベースの手法は有望な成果を上げているが、実際の臨床環境ではまだ使われていない。
論文 参考訳（メタデータ） (2024-01-26T17:29:01Z) - De-identification of clinical free text using natural language
processing: A systematic review of current approaches [48.343430343213896]
自然言語処理は、その非識別プロセスの自動化の可能性を繰り返し示してきた。
本研究の目的は,過去13年間に臨床自由テキストの非識別化が進展したことを示す体系的な証拠を提供することである。
論文 参考訳（メタデータ） (2023-11-28T13:20:41Z) - Machine Learning Based Analytics for the Significance of Gait Analysis
in Monitoring and Managing Lower Extremity Injuries [0.0]
この研究は、合併症を予測する教師付き機械学習モデルの習熟度に焦点を当てた。
XGBoostはSMOTEの適用前後で最適なモデルであった。
この結果は、整形外科をデータインフォームドアプローチにシフトさせ、患者の結果を向上させるのに役立つ。
論文 参考訳（メタデータ） (2023-09-27T20:12:19Z) - Assessing Utility of Differential Privacy for RCTs [44.15661493715815]
RCTの公開分析に強いプライバシー保護手法(acDP保証付き)が与える影響を実証的に評価する。
比較的簡単なDPベースの手法により、公開データの推測正当性保護が可能であることが判明した。
論文 参考訳（メタデータ） (2023-09-26T00:10:32Z) - Artificial intelligence in digital pathology: a diagnostic test accuracy
systematic review and meta-analysis [0.3957768262206625]
この体系的なレビューとメタアナリシスは、あらゆる種類の人工知能を用いた診断精度の研究を含む。
包含物として100の研究が同定され、152,000枚以上のスライド画像 (WSI) に相当し、多くの病型を表わした。
これらの研究では、平均感度は96.3%(CI 94.1-97.7)、平均特異度は93.3%(CI 90.5-95.4)であった。
全体として、AIはWSIに適用した場合に適切な精度を提供するが、そのパフォーマンスをより厳格に評価する必要がある。
論文 参考訳（メタデータ） (2023-06-13T00:45:54Z) - Artificial Intelligence in Ovarian Cancer Histopathology: A Systematic
Review [1.832300121391956]
方法: PubMed, Scopus, Web of Science, CENTRAL, WHO-ICTRPの検索を行った。
PROBASTを用いてバイアスのリスクを評価した。
37の診断モデル、22の予後モデル、21の診断関連結果を含む80の関心モデルがあった。
すべてのモデルが全体として偏見のリスクが高いか、あるいは不明確であることが判明し、ほとんどの研究は分析において偏見のリスクが高いことが判明した。
論文 参考訳（メタデータ） (2023-03-31T12:26:29Z) - Trustworthy Visual Analytics in Clinical Gait Analysis: A Case Study for
Patients with Cerebral Palsy [43.55994393060723]
gaitXplorerは、CP関連歩行パターンの分類のための視覚分析手法である。
Grad-CAMは、機械学習の分類の説明のために、よく確立された説明可能な人工知能アルゴリズムである。
論文 参考訳（メタデータ） (2022-08-10T09:21:28Z) - Enabling scalable clinical interpretation of ML-based phenotypes using
real world data [0.0]
本研究では,大規模なERHデータセットを用いて患者層化分析を行う手法について検討した。
本研究は, 患者層分類結果の臨床的評価と解釈を容易にするためのいくつかのツールを開発した。
論文 参考訳（メタデータ） (2022-08-02T17:31:03Z) - 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) - Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。
このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
論文 参考訳（メタデータ） (2021-02-07T19:12:32Z)
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。