論文の概要: PR-NET: Leveraging Pathway Refined Network Structures for Prostate
Cancer Patient Condition Prediction
- arxiv url: http://arxiv.org/abs/2403.05818v1
- Date: Tue, 12 Mar 2024 08:55:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 12:12:45.156861
- Title: PR-NET: Leveraging Pathway Refined Network Structures for Prostate
Cancer Patient Condition Prediction
- Title（参考訳）: PR-NET:前立腺癌患者の病態予測のためのパスウェイ改良ネットワーク構造
- Authors: R. Li, J. Liu, X.L. Deng, X. Liu, J.C. Guo, W.Y. Wu, L. Yang
- Abstract要約: 我々はPR-NETという,より正確で効率的な前立腺がん患者の状態予測モデルを開発した。
PR-NETは前立腺癌患者の予後を予測するのに優れた性能を示した。
- 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: The diagnosis and monitoring of Castrate Resistant Prostate Cancer (CRPC) are
crucial for cancer patients, but the current models (such as P-NET) have
limitations in terms of parameter count, generalization, and cost. To address
the issue, we develop a more accurate and efficient Prostate Cancer patient
condition prediction model, named PR-NET. By compressing and optimizing the
network structure of P-NET, the model complexity is reduced while maintaining
high accuracy and interpretability. The PR-NET demonstrated superior
performance in predicting prostate cancer patient outcomes, outshining P-NET
and six other traditional models with a significant margin. In our rigorous
evaluation, PR-NET not only achieved impressive average AUC and Recall scores
of 0.94 and 0.83, respectively, on known data but also maintained robust
generalizability on five unknown datasets with a higher average AUC of 0.73 and
Recall of 0.72, compared to P-NET's 0.68 and 0.5. PR-NET's efficiency was
evidenced by its shorter average training and inference times, and its
gene-level analysis revealed 46 key genes, demonstrating its enhanced
predictive power and efficiency in identifying critical biomarkers for prostate
cancer. Future research can further expand its application domains and optimize
the model's performance and reliability.
- Abstract（参考訳）: カストレート耐性前立腺癌(crpc)の診断とモニタリングは癌患者にとって重要であるが、現在のモデル(p-netなど)はパラメータ数、一般化、コストの面で制限がある。
そこで本研究では,より正確かつ効率的な前立腺癌患者状態予測モデルpr-netを開発した。
P-NETのネットワーク構造を圧縮し最適化することにより、精度と解釈可能性を維持しつつ、モデルの複雑さを低減できる。
PR-NETは前立腺癌患者の予後を予測するのに優れた性能を示し、P-NETおよび他の6つの伝統的なモデルに顕著な差が認められた。
厳密な評価では,PR-NET は AUC と Recall のスコアが 0.94 と 0.83 であるだけでなく,P-NET の 0.68 と 0.72 に対して,平均 AUC と Recall のスコアが 0.73 と 0.72 の5つの未知のデータセットに対して頑健な一般化性を維持した。
PR-NETの効率は、平均的なトレーニングと推論時間によって証明され、その遺伝子レベルでの解析により46のキー遺伝子が明らかとなり、前立腺癌に対する重要なバイオマーカーを特定するための予測力と効率が向上した。
将来の研究は、アプリケーションドメインをさらに拡張し、モデルの性能と信頼性を最適化する。
関連論文リスト
- Enhancing Clinically Significant Prostate Cancer Prediction in T2-weighted Images through Transfer Learning from Breast Cancer [71.91773485443125]
転送学習は、よりリッチなデータを持つドメインから取得した機能を活用して、限られたデータを持つドメインのパフォーマンスを向上させるテクニックである。
本稿では,T2強調画像における乳癌からの転移学習による臨床的に有意な前立腺癌予知の改善について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:57:27Z) - 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) - Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。
また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文 参考訳（メタデータ） (2023-11-13T19:51:46Z) - Cross-Shaped Windows Transformer with Self-supervised Pretraining for Clinically Significant Prostate Cancer Detection in Bi-parametric MRI [6.930082824262643]
前立腺癌 (bpMRI) における臨床的に重要な前立腺癌 (csPCa) を検出するために, CSwin 変圧器 UNet モデル (CSwin 変圧器 UNet モデル) を導入した。
1500人の患者を対象とした大規模前立腺bpMRIデータセットを用いて、まずマルチタスク自己教師型学習を用いてCSwin変換器を事前訓練し、データ効率とネットワークの一般化性を向上させる。
5倍のクロスバリデーションは、自己教師型CSwin UNetが0.888 AUCと0.545 Average Precision(AP)を達成し、4つの同等モデル(Swin U)を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2023-04-30T04:40:32Z) - GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。
我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。
GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
論文 参考訳（メタデータ） (2023-04-19T14:58:27Z) - RUPNet: Residual upsampling network for real-time polyp segmentation [2.6179759969345002]
大腸ポリープ分割のための新しいアーキテクチャであるResidual Upsampling Network (RUPNet)を提案する。
画像サイズは512×512$で、提案手法は毎秒152.60フレームの優れたリアルタイム動作速度を実現する。
論文 参考訳（メタデータ） (2023-01-06T20:21:37Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Comparisons of Graph Neural Networks on Cancer Classification Leveraging
a Joint of Phenotypic and Genetic Features [7.381190270069632]
各種グラフニューラルネットワーク(GNNs)を癌型分類のための表現型と遺伝的特徴の関節を用いて評価した。
GNN、ChebNet、GraphSAGE、TAGCNは最高のパフォーマンスを示し、GATは最悪のパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-01-14T20:53:49Z) - 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) - Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives
for Brazil [3.0711362702464675]
新型コロナウイルス(COVID-19)は、今日までの最初の通知以来、何百万人もの人に感染する新興の病気だ。
本稿では、自己回帰統合移動平均(ARIMA)、キュビスト(CUBIST)、ランダムフォレスト(RF)、リッジ回帰(RIDGE)、スタックングアンサンブル学習を評価する。
開発されたモデルは正確な予測を生成でき、それぞれ0.87%から3.51%、1.02%から5.63%、0.95%から6.90%の誤差を発生させる。
論文 参考訳（メタデータ） (2020-07-21T17:58:58Z)
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。