論文の概要: EXACT-Net:EHR-guided lung tumor auto-segmentation for non-small cell lung cancer radiotherapy

• arxiv url: http://arxiv.org/abs/2402.14099v1
• Date: Wed, 21 Feb 2024 19:49:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-23 17:24:42.003745
• Title: EXACT-Net:EHR-guided lung tumor auto-segmentation for non-small cell lung cancer radiotherapy
• Title（参考訳）: 非小細胞肺癌放射線治療におけるehrガイド下肺腫瘍自動切除
• Authors: Hamed Hooshangnejad, Xue Feng, Gaofeng Huang, Rui Zhang, Quan Chen, Kai Ding
• Abstract要約: 非小細胞肺癌(NSCLC)患者の60%以上が放射線治療を必要とする。 当院で治療した10例のNSCLCデータを用いて結節検出が250%向上した。
• 参考スコア（独自算出の注目度）: 8.380581495879433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung cancer is a devastating disease with the highest mortality rate among cancer types. Over 60% of non-small cell lung cancer (NSCLC) patients, which accounts for 87% of diagnoses, require radiation therapy. Rapid treatment initiation significantly increases the patient's survival rate and reduces the mortality rate. Accurate tumor segmentation is a critical step in the diagnosis and treatment of NSCLC. Manual segmentation is time and labor-consuming and causes delays in treatment initiation. Although many lung nodule detection methods, including deep learning-based models, have been proposed, there is still a long-standing problem of high false positives (FPs) with most of these methods. Here, we developed an electronic health record (EHR) guided lung tumor auto-segmentation called EXACT-Net (EHR-enhanced eXACtitude in Tumor segmentation), where the extracted information from EHRs using a pre-trained large language model (LLM), was used to remove the FPs and keep the TP nodules only. The auto-segmentation model was trained on NSCLC patients' computed tomography (CT), and the pre-trained LLM was used with the zero-shot learning approach. Our approach resulted in a 250% boost in successful nodule detection using the data from ten NSCLC patients treated in our institution.
• Abstract（参考訳）: 肺癌は、がんの種類の中で最も死亡率の高い壊滅的な疾患である。 診断の87%を占める非小細胞肺癌(nsclc)患者の60%以上が放射線治療を必要としている。 迅速な治療開始は患者の生存率を著しく増加させ、死亡率を低下させる。 NSCLCの診断と治療において,正確な腫瘍分節化が重要なステップである。 手動セグメンテーションは時間と労力を消費し、治療開始の遅延を引き起こす。 深層学習モデルを含む多くの肺結節検出法が提案されているが、これらの方法のほとんどで高偽陽性(FPs)の長年の問題が残っている。 そこで我々は,ExACT-Net (EHR-enhanced eXACtitude in tumor segmentation, EHR-enhanced eXACtitude in tumor segmentation) と呼ばれる電子健康記録(EHR)を作成した。 オートセグメンテーションモデルはNSCLC患者のCT(Computed tomography)に基づいて訓練し, ゼロショット学習アプローチでは事前訓練したLCMを使用した。 当院で治療した10例のNSCLCデータを用いて結節検出が250%向上した。

関連論文リスト

• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Parameter-Efficient Methods for Metastases Detection from Clinical Notes [19.540079966780954]
  本研究の目的は,CT(Free-style Computed Tomography)ラジオグラフィーによる転移性肝疾患の検出を自動化することである。 本研究は,3つのアプローチを用いて知識を伝達することで,モデルの性能を向上させることを実証する。
  論文  参考訳（メタデータ） (2023-10-27T20:30:59Z)
• Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
  化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。 セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。 提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
  論文  参考訳（メタデータ） (2022-11-08T11:50:31Z)
• Lung nodules segmentation from CT with DeepHealth toolkit [6.980270783615686]
  本研究の目的は,PyECVLおよびPyEDDLライブラリを含むDeephealthツールキットが肺結節を正確に分節できることを実証することであった。 以上の結果から, 肺結節の広範囲にわたる精密な分節化と, 従来の検出法よりも精度がよいことが示唆された。
  論文  参考訳（メタデータ） (2022-08-01T06:54:12Z)
• Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung Nodules Using Time-Series Deep Learning [2.744770849264355]
  低用量CTによる肺がん検診(LCS)は肺がん死亡率を著しく低下させることが証明された。 肺結節の悪性度リスクの階層化を改善するには, マシン/ディープ学習アルゴリズムが有用である。 本稿では,時系列深層学習モデル(DeepCAD-NLM-L)の性能について述べる。
  論文  参考訳（メタデータ） (2022-03-30T18:40:36Z)
• 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)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
  疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。 この影響は、肺葉を分節する機械学習手法の改善を動機づけた。 このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
  論文  参考訳（メタデータ） (2021-05-11T17:10:25Z)
• Automatic Generation of Interpretable Lung Cancer Scoring Models from Chest X-Ray Images [9.525711971667679]
  肺がんは世界中でがんの死因となっている。 深層学習技術は肺がんの診断に有効である。 これらの技術は、まだ医療コミュニティによって承認され、採用されていない。
  論文  参考訳（メタデータ） (2020-12-10T04:11:59Z)
• 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。