論文の概要: Pulmonologists-Level lung cancer detection based on standard blood test
results and smoking status using an explainable machine learning approach
- arxiv url: http://arxiv.org/abs/2402.09596v1
- Date: Wed, 14 Feb 2024 22:00:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 17:40:52.228138
- Title: Pulmonologists-Level lung cancer detection based on standard blood test
results and smoking status using an explainable machine learning approach
- Title（参考訳）: 標準的な血液検査結果と喫煙状況に基づく肺医レベル肺がん検出 : 説明可能な機械学習アプローチを用いて
- Authors: Ricco Noel Hansen Flyckt, Louise Sjodsholm, Margrethe H{\o}stgaard
Bang Henriksen, Claus Lohman Brasen, Ali Ebrahimi, Ole Hilberg, Torben
Fr{\o}strup Hansen, Uffe Kock Wiil, Lars Henrik Jensen, Abdolrahman Peimankar
- Abstract要約: 肺癌(LC)は、主に後期診断によるがん関連死亡の主な原因である。
近年, 機械学習は, 様々な疾患の発見を容易にすることによって, 医療において大きな可能性を秘めている。
LC検出のための動的アンサンブル選択(DES)に基づくMLモデルを開発した。
- 参考スコア（独自算出の注目度）: 2.545682175108217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lung cancer (LC) remains the primary cause of cancer-related mortality,
largely due to late-stage diagnoses. Effective strategies for early detection
are therefore of paramount importance. In recent years, machine learning (ML)
has demonstrated considerable potential in healthcare by facilitating the
detection of various diseases. In this retrospective development and validation
study, we developed an ML model based on dynamic ensemble selection (DES) for
LC detection. The model leverages standard blood sample analysis and smoking
history data from a large population at risk in Denmark. The study includes all
patients examined on suspicion of LC in the Region of Southern Denmark from
2009 to 2018. We validated and compared the predictions by the DES model with
diagnoses provided by five pulmonologists. Among the 38,944 patients, 9,940 had
complete data of which 2,505 (25\%) had LC. The DES model achieved an area
under the roc curve of 0.77$\pm$0.01, sensitivity of 76.2\%$\pm$2.4\%,
specificity of 63.8\%$\pm$2.3\%, positive predictive value of 41.6\%$\pm$1.2\%,
and F\textsubscript{1}-score of 53.8\%$\pm$1.1\%. The DES model outperformed
all five pulmonologists, achieving a sensitivity 9\% higher than their average.
The model identified smoking status, age, total calcium levels, neutrophil
count, and lactate dehydrogenase as the most important factors for the
detection of LC. The results highlight the successful application of the ML
approach in detecting LC, surpassing pulmonologists' performance. Incorporating
clinical and laboratory data in future risk assessment models can improve
decision-making and facilitate timely referrals.
- Abstract（参考訳）: 肺癌(lc)はがん関連死亡の主な原因であり、主に後期診断が原因である。
早期発見の効果的な戦略は最重要事項である。
近年,機械学習 (ML) は, 様々な疾患の発見を容易にすることで, 医療における大きな可能性を示している。
本研究では,LC検出のための動的アンサンブル選択(DES)に基づくMLモデルを開発した。
このモデルは、デンマークのリスクの高い大集団の血液サンプル分析と喫煙履歴データを活用する。
この研究には、2009年から2018年までデンマーク南部地域でlcの疑いで調査されたすべての患者が含まれている。
我々は,DESモデルによる予測を,5人の肺科医による診断と比較した。
38,944例中9,940例はLCが2,505例 (25\%) であった。
desモデルは、roc曲線 0.77$\pm$0.01、感度 76.2\%$\pm$2.4\%、特異度 63.8\%$\pm$2.3\%、正の予測値 41.6\%$\pm$1.2\%、f\textsubscript{1}-score 53.8\%$\pm$1.1\% の領域を達成した。
desモデルは5人の肺科医を上回り、感度は平均より9\%高かった。
本モデルでは,喫煙状況,年齢,総カルシウム濃度,好中球数,乳酸脱水素酵素をLC検出の最も重要な因子として同定した。
その結果, LC検出におけるML法の適用は, 肺科医の成績を上回った。
将来のリスクアセスメントモデルに臨床および実験室のデータを組み込むことは、意思決定を改善し、タイムリーな参照を容易にする。
関連論文リスト
- Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Performance of externally validated machine learning models based on
histopathology images for the diagnosis, classification, prognosis, or
treatment outcome prediction in female breast cancer: A systematic review [0.5792122879054292]
女性乳癌の診断、分類、予後、治療結果予測のための外部検証された機械学習モデル。
診断用MLモデル3例,分類用4例,予後用2例,予後用1例について検討した。
ほとんどの研究では畳み込みニューラルネットワークとロジスティック回帰アルゴリズムが使用されている。
論文 参考訳（メタデータ） (2023-12-09T18:27:56Z) - Development and external validation of a lung cancer risk estimation
tool using gradient-boosting [3.200615329024819]
肺がんは世界中で死亡の重大な原因であり、早期発見が生存率の向上に重要であることを強調している。
我々は,PLCOがんスクリーニング試験のデータに基づいて学習し,NLSTで検証する機械学習(ML)ツールを提案する。
開発されたMLツールは、5年以内に肺がんを発症する可能性を推定するための無償のWebアプリケーションを提供する。
論文 参考訳（メタデータ） (2023-08-23T15:25:17Z) - Artificial intelligence based prediction on lung cancer risk factors
using deep learning [0.0]
早期の症状の捕捉と定義は、患者にとって最も難しい段階の1つである。
深層学習手法を用いて,肺がんを極めて高い精度で検出できるモデルを開発した。
その結果, 精度は94%, 最小損失は0.1%であった。
論文 参考訳（メタデータ） (2023-04-11T08:57:15Z) - A new methodology to predict the oncotype scores based on
clinico-pathological data with similar tumor profiles [0.0]
Oncotype DX (ODX) は乳がんの分子検査である。
本研究の目的は,医師の意思決定を支援する新しい手法を提案することである。
論文 参考訳（メタデータ） (2023-03-13T10:08:13Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - Machine Learning-based Lung and Colon Cancer Detection using Deep
Feature Extraction and Ensemble Learning [0.9786690381850355]
肺がんと大腸癌を効率よく同定するためのハイブリッドアンサンブル特徴抽出モデルを提案する。
深い特徴抽出とアンサンブル学習と、がん画像データセットのための高性能なフィルタリングを統合している。
本モデルでは, 99.05%, 100%, 99.30%の精度で, 肺癌, 大腸癌, 結腸癌を検出できる。
論文 参考訳（メタデータ） (2022-06-02T15:14:41Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。