論文の概要: AI-Enabled Lung Cancer Prognosis
- arxiv url: http://arxiv.org/abs/2402.09476v1
- Date: Mon, 12 Feb 2024 22:09:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 18:27:55.581028
- Title: AI-Enabled Lung Cancer Prognosis
- Title(参考訳): AIによる肺癌予後診断
- Authors: Mahtab Darvish, Ryan Trask, Patrick Tallon, M\'elina Khansari, Lei
Ren, Michelle Hershman, Bardia Yousefi
- Abstract要約: 肺がんはがんによる死亡の主な原因であり、2020年には全世界で約179万人が死亡している。
これらのうち、非小細胞肺癌(NSCLC)が主な亜型であり、顕著な出血性予後を特徴とする。
人工知能(AI)の最近の進歩は、肺癌の予後に革命をもたらした。
- 参考スコア(独自算出の注目度): 1.2054979237210064
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lung cancer is the primary cause of cancer-related mortality, claiming
approximately 1.79 million lives globally in 2020, with an estimated 2.21
million new cases diagnosed within the same period. Among these, Non-Small Cell
Lung Cancer (NSCLC) is the predominant subtype, characterized by a notably
bleak prognosis and low overall survival rate of approximately 25% over five
years across all disease stages. However, survival outcomes vary considerably
based on the stage at diagnosis and the therapeutic interventions administered.
Recent advancements in artificial intelligence (AI) have revolutionized the
landscape of lung cancer prognosis. AI-driven methodologies, including machine
learning and deep learning algorithms, have shown promise in enhancing survival
prediction accuracy by efficiently analyzing complex multi-omics data and
integrating diverse clinical variables. By leveraging AI techniques, clinicians
can harness comprehensive prognostic insights to tailor personalized treatment
strategies, ultimately improving patient outcomes in NSCLC. Overviewing
AI-driven data processing can significantly help bolster the understanding and
provide better directions for using such systems.
- Abstract(参考訳): 肺がんは、2020年に全世界で約179万人が死亡し、同時期に診断された新規症例は221万人と推定されている。
これらのうち、非小細胞肺癌(non-small cell lung cancer, nclc)が主な亜型であり、悪性度の高い予後を特徴とし、全病期にわたって5年間で約25%の生存率の低下が特徴である。
しかし, 予後は, 診断の段階や治療介入の段階によって大きく異なる。
人工知能(AI)の最近の進歩は、肺癌の予後に革命をもたらした。
機械学習やディープラーニングアルゴリズムを含むAI駆動の手法は、複雑なマルチオミクスデータを効率的に分析し、多様な臨床変数を統合することで、生存率予測の精度を高めることを約束している。
AI技術を活用することで、臨床医は包括的な予後の洞察を利用してパーソナライズされた治療戦略を調整し、最終的にNSCLCの患者結果を改善することができる。
AI駆動のデータ処理の概要は、理解を深め、そのようなシステムを使用するためのより良い方向を提供するのに役立つ。
関連論文リスト
- Application analysis of ai technology combined with spiral CT scanning
in early lung cancer screening [15.6839495538166]
肺癌患者の5年間の生存率は、まだ20%以下であり、進行している。
近年、人工知能技術が腫瘍学に徐々に応用され始めている。
本研究は, 早期肺癌検診において, 安全かつ効率的な検診方法を見いだす目的で, 組み合わせた方法を適用した。
論文 参考訳(メタデータ) (2024-01-26T07:58:09Z) - 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) - Breast Cancer Detection and Diagnosis: A comparative study of
state-of-the-arts deep learning architectures [3.883460584034766]
南アフリカなど世界3カ国の乳がん患者の生存率は驚くほど低い。
医療専門家や研究者は、エンドツーエンドソリューションを開発するために、ドメイン固有のAIアプローチ、特にディープラーニングモデルに目を向けている。
本研究では、ビジョントランスフォーマー(ViT)と呼ばれる比較的新しいモデルと比較して、様々な最先端畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価することに焦点を当てる。
論文 参考訳(メタデータ) (2023-05-31T15:21:34Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳(メタデータ) (2022-11-18T03:26:31Z) - 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) - Enhancing Early Lung Cancer Detection on Chest Radiographs with
AI-assistance: A Multi-Reader Study [0.08384911110020841]
本研究は、臨床医が肺がんを同定する能力を胸部X線(CXR)に増強する上で、市販のAIアルゴリズムが与える影響について検討した。
臨床医によるAIアルゴリズムの使用により、肺腫瘍検出の全体的なパフォーマンスが改善された。
論文 参考訳(メタデータ) (2022-08-31T09:46:21Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳(メタデータ) (2022-02-17T08:33:52Z) - DeepMMSA: A Novel Multimodal Deep Learning Method for Non-small Cell
Lung Cancer Survival Analysis [8.78724404464036]
我々は,非小細胞肺癌(NSCLC)生存率解析のための多モード深層学習法,DeepMMSAを提案する。
臨床データと組み合わせてCT画像を活用することにより、医用画像内の豊富な情報を肺がん生存情報に関連付けることができる。
論文 参考訳(メタデータ) (2021-06-12T11:02:14Z) - Hierarchical Classification of Pulmonary Lesions: A Large-Scale
Radio-Pathomics Study [38.78350161086617]
CTによる肺病変の診断は重要であるが,肺癌関連疾患の臨床的判断には困難である。
深層学習は肺がんに対するコンピュータ支援診断 (CADx) 領域において大きな成功を収めているが, 放射線診断の困難さからラベルの曖昧さに悩まされている。
本研究は, 侵襲的病理解析が肺がん診断の黄金基準となっていることを考慮し, 大規模放射線病的データセットを用いてラベルあいまいさを解消する。
この振り返りデータセットはPentral-RadPathと呼ばれ、高精度なディープラーニングシステムの開発と検証により、非侵襲的な病理組織ラベルを予測できる。
論文 参考訳(メタデータ) (2020-10-08T15:14:34Z) - 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)
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。