論文の概要: Improving Pediatric Low-Grade Neuroepithelial Tumors Molecular Subtype
Identification Using a Novel AUROC Loss Function for Convolutional Neural
Networks
- arxiv url: http://arxiv.org/abs/2402.03547v1
- Date: Mon, 5 Feb 2024 22:06:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 17:33:11.937754
- Title: Improving Pediatric Low-Grade Neuroepithelial Tumors Molecular Subtype
Identification Using a Novel AUROC Loss Function for Convolutional Neural
Networks
- Title(参考訳): 畳み込みニューラルネットワークのための新しいAUROC損失関数を用いた小児低グレード神経上皮腫瘍の分子サブタイプ同定の改善
- Authors: Khashayar Namdar, Matthias W. Wagner, Cynthia Hawkins, Uri Tabori,
Birgit B. Ertl-Wagner, Farzad Khalvati
- Abstract要約: 低グレード神経上皮腫瘍(PLGNT)は小児の脳腫瘍の40%を占める最も一般的な小児がんである。
PLGNTサブタイプを決定するための金の標準は生検であり、患者にとって非現実的または危険である。
本研究では,MRIスキャンによるPLGNTサブタイプ分類において,畳み込みニューラルネットワーク(CNN)の性能向上を図る。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pediatric Low-Grade Neuroepithelial Tumors (PLGNT) are the most common
pediatric cancer type, accounting for 40% of brain tumors in children, and
identifying PLGNT molecular subtype is crucial for treatment planning. However,
the gold standard to determine the PLGNT subtype is biopsy, which can be
impractical or dangerous for patients. This research improves the performance
of Convolutional Neural Networks (CNNs) in classifying PLGNT subtypes through
MRI scans by introducing a loss function that specifically improves the model's
Area Under the Receiver Operating Characteristic (ROC) Curve (AUROC), offering
a non-invasive diagnostic alternative. In this study, a retrospective dataset
of 339 children with PLGNT (143 BRAF fusion, 71 with BRAF V600E mutation, and
125 non-BRAF) was curated. We employed a CNN model with Monte Carlo random data
splitting. The baseline model was trained using binary cross entropy (BCE), and
achieved an AUROC of 86.11% for differentiating BRAF fusion and BRAF V600E
mutations, which was improved to 87.71% using our proposed AUROC loss function
(p-value 0.045). With multiclass classification, the AUROC improved from 74.42%
to 76. 59% (p-value 0.0016).
- Abstract(参考訳): 小児低グレード神経上皮性腫瘍 (PLGNT) は小児の脳腫瘍の40%を占め, PLGNT分子サブタイプは治療計画に不可欠である。
しかし、plgntサブタイプを決定するゴールドスタンダードは生検であり、患者にとって非実用的あるいは危険である。
本研究は、MRIスキャンによるPLGNTサブタイプ分類における畳み込みニューラルネットワーク(CNN)の性能を改善し、非侵襲的な診断代替手段として、受信者動作特性(ROC)曲線(AUROC)モデルの範囲を特に改善する損失関数を導入する。
本研究では, PLGNT (143 BRAF, 71 BRAF V600E 変異, 125 BRAF) の小児339例の振り返りデータセットを作成した。
我々はモンテカルロ乱数分割を用いたCNNモデルを用いた。
bce(binary cross entropy)を用いて基礎モデルを訓練し,braf融合およびbraf v600e変異の鑑別に86.11%のaurocを行い,提案するauroc損失関数(p-value 0.045)を用いて87.71%に改良した。
マルチクラス分類では、AUROCは74.42%から76に改善された。
59% (p-value 0.0016) であった。
関連論文リスト
- Toward Automated Detection of Microbleeds with Anatomical Scale
Localization: A Complete Clinical Diagnosis Support Using Deep Learning [7.935250296491891]
脳微小出血(CMBs)は、脳組織の小さな血液産物の慢性的な沈着物である。
本稿では,CMBを検出するだけでなく,解剖学的位置を知らせる新しい3次元ディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-22T16:29:46Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳(メタデータ) (2023-02-02T08:45:17Z) - Brain Tumor MRI Classification using a Novel Deep Residual and Regional
CNN [0.0]
Res-BRNet Convolutional Neural Network (CNN) は脳腫瘍(磁気共鳴イメージング)MRIの診断に有用である。
開発されたRes-BRNetの効率は、KaggleとFigshareから収集された標準データセットに基づいて評価される。
実験により、Res-BRNetは標準CNNモデルよりも優れ、優れた性能を示した。
論文 参考訳(メタデータ) (2022-11-29T20:14:13Z) - Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumors
Molecular Subtype Identification Using 3D Probability Distributions of Tumor
Location [0.0]
pLGGサブタイプ同定のためのCNNモデルは腫瘍セグメンテーションに依存している。
我々はMRIデータにおける腫瘍位置確率を用いてCNNモデルを拡張することを提案する。
腫瘍位置をCNNモデルに組み込むことにより,統計的に有意な改善が得られた。
論文 参考訳(メタデータ) (2022-10-13T18:30:11Z) - MRI-based classification of IDH mutation and 1p/19q codeletion status of
gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。
我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。
2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
論文 参考訳(メタデータ) (2022-10-07T18:46:39Z) - EGFR Mutation Prediction of Lung Biopsy Images using Deep Learning [1.793983482813105]
本研究では,EGFR変異の形態的相関を識別するために,教師の弱いカスタマイズ深層学習パイプラインを用いた。
病理組織学的に腺癌と扁平上皮癌との鑑別は0.942であった。
EGFR検出では,TGAデータセットでは平均0.864AUC,インドからのデータセットでは0.783AUCを達成した。
論文 参考訳(メタデータ) (2022-08-26T08:56:33Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳(メタデータ) (2022-01-31T14:27:35Z) - 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) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳(メタデータ) (2021-02-10T15:10:37Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳(メタデータ) (2020-10-29T19:14:41Z)
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。