論文の概要: From Algorithms to Outcomes: Reviewing AI's Role in Non-Muscle-Invasive Bladder Cancer Recurrence Prediction
- arxiv url: http://arxiv.org/abs/2403.10586v1
- Date: Fri, 15 Mar 2024 17:03:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 22:44:00.381811
- Title: From Algorithms to Outcomes: Reviewing AI's Role in Non-Muscle-Invasive Bladder Cancer Recurrence Prediction
- Title(参考訳): アルゴリズムから成果へ:非分子浸潤膀胱癌再発予測におけるAIの役割を振り返る
- Authors: Saram Abbas, Dr Rishad Shafik, Prof Naeem Soomro, Prof Rakesh Heer, Dr Kabita Adhikari,
- Abstract要約: 主要な尿路癌である膀胱がんは、イギリスで毎日15人が死亡している。
リスクを過大評価し,精度の低いスコアシステムによる再発予測ツール。
機械学習(ML)技術は、NMIBCの再発を予測するための有望なアプローチとして登場した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Bladder cancer, the leading urinary tract cancer, is responsible for 15 deaths daily in the UK. This cancer predominantly manifests as non-muscle-invasive bladder cancer (NMIBC), characterised by tumours not yet penetrating the muscle layer of the bladder wall. NMIBC is plagued by a very high recurrence rate of 70-80% and hence the costliest treatments. Current tools for predicting recurrence use scoring systems that overestimate risk and have poor accuracy. Inaccurate and delayed prediction of recurrence significantly elevates the likelihood of mortality. Accurate prediction of recurrence is hence vital for cost-effective management and treatment planning. This is where Machine learning (ML) techniques have emerged as a promising approach for predicting NMIBC recurrence by leveraging molecular and clinical data. This review provides a comprehensive analysis of ML approaches for predicting NMIBC recurrence. Our systematic evaluation demonstrates the potential of diverse ML algorithms and markers, including radiomic, clinical, histopathological, genomic, and biochemical data in enhancing recurrence prediction and personalised patient management. We summarise various prediction tasks, data modalities, and ML models used, highlighting their performance, limitations, and future directions of incorporating cost-effectiveness. Challenges related to generalisability and interpretability of artificial intelligent models are discussed, emphasising the need for collaborative efforts and robust datasets.
- Abstract(参考訳): 主要な尿路癌である膀胱がんは、イギリスで毎日15人が死亡している。
主に非筋浸潤性膀胱癌(NMIBC)として出現し、膀胱壁の筋層を貫通していない腫瘍を特徴とする。
NMIBCは70-80%の非常に高い再発率に悩まされており、したがって最もコストがかかる治療である。
リスクを過大評価し,精度の低いスコアシステムによる再発予測ツール。
不正確で遅れた再発予測は死亡率を大幅に上昇させる。
したがって、再発の正確な予測は、コスト効率の良い管理と治療計画に不可欠である。
そこで機械学習(ML)技術が、分子および臨床データを活用することでNMIBC再発を予測するための有望なアプローチとして登場した。
本総説では,NMIBC再発予測のためのMLアプローチを包括的に分析する。
組織的評価は, 再発予測とパーソナライズド・患者管理の促進を目的とした, 放射線, 臨床, 病理, ゲノム, 生化学的データなど, 多様なMLアルゴリズムとマーカーの可能性を示す。
各種予測タスク、データモダリティ、MLモデルを要約し、コスト効率を取り入れたパフォーマンス、限界、今後の方向性を明らかにする。
人工知能モデルの汎用性と解釈可能性に関する課題について論じ、協調的な取り組みと堅牢なデータセットの必要性を強調した。
関連論文リスト
- Neural parameter calibration and uncertainty quantification for epidemic
forecasting [0.0]
感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。
ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。
本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
論文 参考訳(メタデータ) (2023-12-05T21:34:59Z) - 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) - Automated Segmentation and Recurrence Risk Prediction of Surgically
Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
肺がんは、がん関連死亡の重大な原因である。
本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
論文 参考訳(メタデータ) (2022-09-17T23:06:22Z) - Leveraging Uncertainty in Deep Learning for Pancreatic Adenocarcinoma
Grading [0.0]
膵癌は、他のがんと比較して最悪の予後の1つである。
膵腺癌を診断するための現在の手関節組織学的評価は時間を要するため,誤診が頻発することが多い。
デジタル病理学では、AIに基づくがんのグレーディングは予測と不確実性定量化において極めて正確でなければならない。
論文 参考訳(メタデータ) (2022-06-15T19:53:06Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - Survival Prediction of Heart Failure Patients using Stacked Ensemble
Machine Learning Algorithm [0.0]
心不全は、我々の時代における主要な健康上の危険問題の1つであり、世界中の死因の1つです。
データマイニングは、医療機関が生成した大量の生データを意味のある情報に変換するプロセスである。
本研究は, 心不全後の生存可能性を予測するためには, 患者から採取した特定の属性のみが必須であることが示唆された。
論文 参考訳(メタデータ) (2021-08-30T16:42:27Z) - Deep-CR MTLR: a Multi-Modal Approach for Cancer Survival Prediction with
Competing Risks [0.4189643331553922]
本稿では,癌生存予測のための新しい機械学習手法であるDeep-CR MTLRを提案する。
2552頭頸部癌患者のコホートにおける単一モダリティ予測器に対するマルチモーダルアプローチの予後改善効果を実証した。
論文 参考訳(メタデータ) (2020-12-10T15:51:47Z) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳(メタデータ) (2020-09-16T15:16:03Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳(メタデータ) (2020-02-06T16:39:44Z)
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。