論文の概要: Predicting breast cancer with AI for individual risk-adjusted MRI screening and early detection

• arxiv url: http://arxiv.org/abs/2312.00067v2
• Date: Thu, 18 Jan 2024 20:58:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 18:44:17.904786
• Title: Predicting breast cancer with AI for individual risk-adjusted MRI screening and early detection
• Title（参考訳）: リスク調整mriスクリーニングと早期発見のためのaiによる乳癌予測
• Authors: Lukas Hirsch, Yu Huang, Hernan A. Makse, Danny F. Martinez, Mary Hughes, Sarah Eskreis-Winkler, Katja Pinker, Elizabeth Morris, Lucas C. Parra, Elizabeth J. Sutton
• Abstract要約: 本稿では,現在のMRIに基づいて1年以内に乳癌の発症リスクを予測することを提案する。 検診・診断を施行した12,694例の乳房53,858例を対象にAIアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 1.3367806441522678
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Women with an increased life-time risk of breast cancer undergo supplemental annual screening MRI. We propose to predict the risk of developing breast cancer within one year based on the current MRI, with the objective of reducing screening burden and facilitating early detection. An AI algorithm was developed on 53,858 breasts from 12,694 patients who underwent screening or diagnostic MRI and accrued over 12 years, with 2,331 confirmed cancers. A first U-Net was trained to segment lesions and identify regions of concern. A second convolutional network was trained to detect malignant cancer using features extracted by the U-Net. This network was then fine-tuned to estimate the risk of developing cancer within a year in cases that radiologists considered normal or likely benign. Risk predictions from this AI were evaluated with a retrospective analysis of 9,183 breasts from a high-risk screening cohort, which were not used for training. Statistical analysis focused on the tradeoff between number of omitted exams versus negative predictive value, and number of potential early detections versus positive predictive value. The AI algorithm identified regions of concern that coincided with future tumors in 52% of screen-detected cancers. Upon directed review, a radiologist found that 71.3% of cancers had a visible correlate on the MRI prior to diagnosis, 65% of these correlates were identified by the AI model. Reevaluating these regions in 10% of all cases with higher AI-predicted risk could have resulted in up to 33% early detections by a radiologist. Additionally, screening burden could have been reduced in 16% of lower-risk cases by recommending a later follow-up without compromising current interval cancer rate. With increasing datasets and improving image quality we expect this new AI-aided, adaptive screening to meaningfully reduce screening burden and improve early detection.
• Abstract（参考訳）: 乳がんのリスクが高まる女性は、年次スクリーニングmriを補助的に行う。 検診の負担軽減と早期発見の促進を目的として,現在のmriを用いて1年以内に乳癌を発症するリスクを予測することを提案する。 スクリーニングまたは診断を12年以上行った12,694人の乳がん患者から53,858人の乳がん患者にaiアルゴリズムが開発され、2331人のがんが確認された。 最初のU-Netは病変を分断し、関心のある領域を特定するために訓練された。 u-netで抽出された特徴を用いて,第2の畳み込みネットワークを用いて悪性腫瘍の検出を訓練した。 このネットワークは、放射線科医が正常または良性と見なす場合、がんの発生リスクを1年以内に見積もるために微調整された。 このAIによるリスク予測は、トレーニングに使用されなかったハイリスクスクリーニングコホートから9,183個の乳房の振り返り分析によって評価された。 統計的分析では、省略された試験数と負の予測値、潜在的な早期検出数と正の予測値とのトレードオフに注目した。 AIアルゴリズムは、スクリーン検出がんの52%で将来の腫瘍と一致する領域を特定した。 放射線科医によると、診断前のmriでは71.3%のがんが可視的相関を示し、その65%がaiモデルによって同定された。 高いAI予測リスクを持つ全ての症例の10%でこれらの領域を再評価すると、放射線学者が早期に検出した確率は最大33%となった。 また, 再発率を低下させることなく, 術後経過観察を推奨することで, リスクリスクの16%でスクリーニング負担を軽減できた。 データセットの増加と画質の向上により、このAI支援で適応的なスクリーニングにより、スクリーニングの負担を大幅に削減し、早期検出を改善することが期待されます。

関連論文リスト

• Towards Non-invasive and Personalized Management of Breast Cancer Patients from Multiparametric MRI via A Large Mixture-of-Modality-Experts Model [19.252851972152957]
  本稿では,マルチパラメトリックMRI情報を統一構造内に組み込んだMOMEについて報告する。 MOMEは乳癌の正確かつ堅牢な同定を証明した。 BI-RADS 4患者の生検の必要性を7.3%減らし、AUROC0.709で3重陰性乳癌を分類し、AUROC0.694でネオアジュバント化学療法に対する病理学的完全反応を予測することができる。
  論文  参考訳（メタデータ） (2024-08-08T05:04:13Z)
• 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)
• Leveraging Transformers to Improve Breast Cancer Classification and Risk Assessment with Multi-modal and Longitudinal Data [3.982926115291704]
  マルチモーダルトランス (MMT) はマンモグラフィーと超音波を相乗的に利用するニューラルネットワークである。 MMTは、現在の検査と以前の画像を比較することで、時間的組織変化を追跡する。 5年間のリスク予測では、MMTはAUROCの0.826を達成し、従来のマンモグラフィーベースのリスクモデルより優れている。
  論文  参考訳（メタデータ） (2023-11-06T16:01:42Z)
• Can-SAVE: Mass Cancer Risk Prediction via Survival Analysis Variables and EHR [1.29410702835589]
  特定の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、大規模に適用できる。 本稿では,Can-SAVE癌リスク評価手法を提案する。 アクセス性が高く、資源効率が良く、一連の高レベルの医療イベントのみを利用する。
  論文  参考訳（メタデータ） (2023-09-26T16:15:54Z)
• 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)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関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 BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• RADIFUSION: A multi-radiomics deep learning based breast cancer risk prediction model using sequential mammographic images with image attention and bilateral asymmetry refinement [0.36355629235144304]
  本研究は, 画像注意放射能, ゲーティング機構, 左右非対称性に基づく微調整など, 様々な深層学習機構の重要性を強調した。 乳がんリスク評価のための強力なツールとして, RADIfusionが有用であることが示唆された。
  論文  参考訳（メタデータ） (2023-04-01T08:18:13Z)
• 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)
• A deep learning algorithm for reducing false positives in screening mammography [1.914044679141325]
  この研究は、乳がんに不審でないマンモグラムを特定することによって、偽陽性を減らすAIアルゴリズムを実証する。 われわれは123,248個の2Dデジタルマンモグラム(6,161個の癌)を用いて癌の有無を判定するアルゴリズムを訓練し,14,831個の検診(1,026個のがん)を行った。
  論文  参考訳（メタデータ） (2022-04-13T23:37:40Z)
• 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)

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。