Fugu-MT 論文翻訳(概要): Comparative Analysis of Radiomic Features and Gene Expression Profiles in Histopathology Data Using Graph Neural Networks

論文の概要: Comparative Analysis of Radiomic Features and Gene Expression Profiles in Histopathology Data Using Graph Neural Networks

arxiv url: http://arxiv.org/abs/2312.15825v1
Date: Mon, 25 Dec 2023 22:49:03 GMT
ステータス: 処理完了
システム内更新日: 2023-12-27 16:19:19.344481
Title: Comparative Analysis of Radiomic Features and Gene Expression Profiles in Histopathology Data Using Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークを用いた病理組織データの放射能特徴と遺伝子発現プロファイルの比較解析
Authors: Luis Carlos Rivera Monroy, Leonhard Rist, Martin Eberhardt, Christian Ostalecki, Andreas Bauer, Julio Vera, Katharina Breininger, Andreas Maier
Abstract要約: 本研究は,メラノーマ分類におけるMELCデータと放射能抽出機能を統合するために,グラフニューラルネットワークを用いた。遺伝子発現プロファイルと放射線特徴の有効性を評価し,放射線特徴が分類性能を著しく向上させることを明らかにした。
参考スコア（独自算出の注目度）: 3.20381908096888
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study leverages graph neural networks to integrate MELC data with Radiomic-extracted features for melanoma classification, focusing on cell-wise analysis. It assesses the effectiveness of gene expression profiles and Radiomic features, revealing that Radiomic features, particularly when combined with UMAP for dimensionality reduction, significantly enhance classification performance. Notably, using Radiomics contributes to increased diagnostic accuracy and computational efficiency, as it allows for the extraction of critical data from fewer stains, thereby reducing operational costs. This methodology marks an advancement in computational dermatology for melanoma cell classification, setting the stage for future research and potential developments.
Abstract（参考訳）: 本研究は,メラノーマ分類におけるMELCデータと放射能抽出機能の統合にグラフニューラルネットワークを利用する。遺伝子発現プロファイルと放射線学的特徴の有効性を評価し、特にumapと組み合わせることで分類性能が著しく向上することを明らかにした。特に、Radiomicsを使用することは、少ない染色から臨界データを抽出できるため、診断精度と計算効率が向上し、運用コストが削減される。この手法はメラノーマ細胞分類のための計算皮膚学の進歩を示し、将来の研究と潜在的な発展の舞台を定めている。

関連論文リスト

Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling [4.1032659987778315]
放射線的特徴セットの高次元性、放射線的特徴タイプの変動性、そして潜在的に高い計算要求は、全て、与えられた臨床問題に対する最小の予測的特徴セットを特定する効果的な方法の必要性を浮き彫りにしている。我々は,最小限の放射線学的特徴を識別し,説明するための方法論とツールを開発する。
論文参考訳（メタデータ） (2024-07-05T23:14:46Z)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文参考訳（メタデータ） (2023-11-18T14:52:26Z)
Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文参考訳（メタデータ） (2023-11-13T19:51:46Z)
ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文参考訳（メタデータ） (2023-10-08T17:23:17Z)
Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。 MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2023-08-29T17:44:28Z)
A New Deep Learning and XAI-Based Algorithm for Features Selection in Genomics [5.787117733071415]
本稿では,ゲノム規模のデータに基づいて特徴選択を行う新しいアルゴリズムを提案する。慢性リンパ性白血病データセットへの応用の結果は、アルゴリズムの有効性を証明している。
論文参考訳（メタデータ） (2023-03-29T16:44:13Z)
Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。遺伝子発現は癌の早期発見において基本的な役割を担っている。本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文参考訳（メタデータ） (2023-01-28T15:03:03Z)
Employing Graph Representations for Cell-level Characterization of Melanoma MELC Samples [6.007415817901118]
本研究は,Multi-Epitope-Ligand Cartography (MELC) を用いた悪性黒色腫検体を用いたパイプラインについて述べる。この細胞レベルの組織の特徴化はグラフとして表現され、グラフニューラルネットワークのトレーニングに使用される。このイメージング技術は,本研究で提案した手法と組み合わせて87%の分類精度を実現し,既存の手法を10%上回っている。
論文参考訳（メタデータ） (2022-11-10T21:28:53Z)
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)
Prognostic Power of Texture Based Morphological Operations in a Radiomics Study for Lung Cancer [0.0]
この研究は、非小細胞肺癌(NSCLC)を患っている患者のオープンデータベース上で行われます。腫瘍の特徴をCT画像から抽出し,PCAおよびKaplan-Meierサバイバル分析を用いて解析し,最も関連性の高いものを選択する。 1,589件の研究された特徴のうち、32件は患者の生存を予測するために関連している。
論文参考訳（メタデータ） (2020-12-23T13:38:19Z)

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。