論文の概要: BioFusionNet: Deep Learning-Based Survival Risk Stratification in ER+
Breast Cancer Through Multifeature and Multimodal Data Fusion
- arxiv url: http://arxiv.org/abs/2402.10717v1
- Date: Fri, 16 Feb 2024 14:19:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 15:50:43.432058
- Title: BioFusionNet: Deep Learning-Based Survival Risk Stratification in ER+
Breast Cancer Through Multifeature and Multimodal Data Fusion
- Title（参考訳）: BioFusionNet:多機能・多モードデータ融合によるER+乳癌の深層学習による生存リスク階層化
- Authors: Raktim Kumar Mondol, Ewan K.A. Millar, Arcot Sowmya, Erik Meijering
- Abstract要約: 画像から得られる特徴を遺伝学的・臨床的データと融合するディープラーニングフレームワークであるBioFusionNetを提案する。
ER+乳癌患者の生存リスク層形成を行う。
- 参考スコア（独自算出の注目度）: 18.395418853966266
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breast cancer is a significant health concern affecting millions of women
worldwide. Accurate survival risk stratification plays a crucial role in
guiding personalised treatment decisions and improving patient outcomes. Here
we present BioFusionNet, a deep learning framework that fuses image-derived
features with genetic and clinical data to achieve a holistic patient profile
and perform survival risk stratification of ER+ breast cancer patients. We
employ multiple self-supervised feature extractors, namely DINO and MoCoV3,
pretrained on histopathology patches to capture detailed histopathological
image features. We then utilise a variational autoencoder (VAE) to fuse these
features, and harness the latent space of the VAE to feed into a self-attention
network, generating patient-level features. Next, we develop a
co-dual-cross-attention mechanism to combine the histopathological features
with genetic data, enabling the model to capture the interplay between them.
Additionally, clinical data is incorporated using a feed-forward network (FFN),
further enhancing predictive performance and achieving comprehensive multimodal
feature integration. Furthermore, we introduce a weighted Cox loss function,
specifically designed to handle imbalanced survival data, which is a common
challenge in the field. The proposed model achieves a mean concordance index
(C-index) of 0.77 and a time-dependent area under the curve (AUC) of 0.84,
outperforming state-of-the-art methods. It predicts risk (high versus low) with
prognostic significance for overall survival (OS) in univariate analysis
(HR=2.99, 95% CI: 1.88--4.78, p<0.005), and maintains independent significance
in multivariate analysis incorporating standard clinicopathological variables
(HR=2.91, 95% CI: 1.80--4.68, p<0.005). The proposed method not only improves
model performance but also addresses a critical gap in handling imbalanced
data.
- Abstract（参考訳）: 乳がんは世界中の何百万もの女性に影響を与える重要な健康上の懸念である。
正確な生存リスク階層化は、パーソナライズされた治療決定を誘導し、患者の成果を改善する上で重要な役割を果たす。
そこで本研究では,ER+乳癌患者の全身的プロファイルを達成し,生存リスク階層化を実現するために,画像由来の特徴を遺伝子および臨床データと融合するディープラーニングフレームワークであるBioFusionNetを提案する。
我々はDINOとMoCoV3という複数の自己監督型特徴抽出装置を用いて,病理組織像の特徴を捉える。
次に,これらの特徴を融合するために変分オートエンコーダ(vae)を使用し,vaeの潜在空間を利用して自己追跡ネットワークに供給し,患者レベルの特徴を生成する。
次に, 病理組織学的特徴と遺伝的データを組み合わせることで, モデルが相互の相互作用を捉えることを可能とする。
さらに、臨床データはフィードフォワードネットワーク(FFN)を用いて組み込まれ、予測性能をさらに向上し、総合的なマルチモーダル機能統合を実現する。
さらに,不均衡生存データを扱うために特別に設計された重み付きcox損失関数を導入する。
提案モデルは,平均一致指数 (c-index) が 0.77 であり, 曲線 (auc) 下の時間依存領域が 0.84 である。
単変量解析 (HR=2.99, 95% CI: 1.88--4.78, p<0.005) におけるリスク (高い対低い) を予測し、標準臨床病理学的変数(HR=2.91, 95% CI: 1.80--4.68, p<0.005)を取り入れた多変量解析において独立した重要性を維持する。
提案手法はモデル性能を向上するだけでなく,不均衡なデータを扱う際の重要なギャップにも対処する。
関連論文リスト
- Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - SELECTOR: Heterogeneous graph network with convolutional masked autoencoder for multimodal robust prediction of cancer survival [8.403756148610269]
がん患者生存のマルチモーダル予測は、より包括的で正確なアプローチを提供する。
本稿では、畳み込みマスクエンコーダに基づく異種グラフ認識ネットワークであるSELECTORを紹介する。
本手法は,モダリティ欠落とモダリティ内情報確認の両事例において,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-03-14T11:23:39Z) - MM-SurvNet: Deep Learning-Based Survival Risk Stratification in Breast
Cancer Through Multimodal Data Fusion [18.395418853966266]
乳がん生存リスク階層化のための新しい深層学習手法を提案する。
画像特徴抽出には視覚変換器、特にMaxViTモデルを使用し、患者レベルでの複雑な画像関係のキャプチャには自己注意を用いる。
二重クロスアテンション機構はこれらの特徴を遺伝データと融合させ、臨床データを最終層に組み込んで予測精度を高める。
論文 参考訳（メタデータ） (2024-02-19T02:31:36Z) - Pathology-and-genomics Multimodal Transformer for Survival Outcome
Prediction [43.1748594898772]
大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。
ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。
我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
論文 参考訳（メタデータ） (2023-07-22T00:59:26Z) - 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) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Deep Neural Networks integrating genomics and histopathological images
for predicting stages and survival time-to-event in colon cancer [2.338833859812519]
大腸癌ステージ分類のためのアンサンブルディープニューラルネットワークを構築し,低リスク生存群と高リスク生存群に分類した。
Ensemble Deep Conal Neural Networkモデルの結果は、統合データセットのステージ分類におけるパフォーマンスが改善されたことを示している。
2548個の融合した特徴のうち、1695個の特徴は抽出された特徴によって定義された2つのリスク群間で統計的に有意な生存確率差を示した。
論文 参考訳（メタデータ） (2022-12-13T16:12:45Z) - Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free
Survival using a Full-Scale UNet with Attention [0.8138288420049126]
MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。
腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。
患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
論文 参考訳（メタデータ） (2021-11-06T10:28:48Z) - Deep Orthogonal Fusion: Multimodal Prognostic Biomarker Discovery
Integrating Radiology, Pathology, Genomic, and Clinical Data [0.32622301272834525]
グリオーマ患者の生存率 (OS) を, 深層直交核融合モデルを用いて予測した。
このモデルは、MRI検査、生検に基づくモダリティ、臨床変数から得た情報を総合的なマルチモーダルリスクスコアに組み合わせることを学ぶ。
グリオーマ患者を臨床的サブセット内でOSにより明らかに層分けし、予後不良な臨床グレーディングと分子サブタイプにさらに粒度を付加する。
論文 参考訳（メタデータ） (2021-07-01T17:59:01Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
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。