論文の概要: Narrative Feature or Structured Feature? A Study of Large Language Models to Identify Cancer Patients at Risk of Heart Failure
- arxiv url: http://arxiv.org/abs/2403.11425v1
- Date: Mon, 18 Mar 2024 02:42:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 16:57:28.321197
- Title: Narrative Feature or Structured Feature? A Study of Large Language Models to Identify Cancer Patients at Risk of Heart Failure
- Title(参考訳): 物語的特徴と構造的特徴 : 心不全リスクのあるがん患者を同定する大規模言語モデルの検討
- Authors: Ziyi Chen, Mengyuan Zhang, Mustafa Mohammed Ahmed, Yi Guo, Thomas J. George, Jiang Bian, Yonghui Wu,
- Abstract要約: 本研究は, 心不全リスクのあるがん患者を同定するための機械学習モデルについて検討した。
肺がん,乳がん,大腸癌と診断され,フロリダ大学から12,806人のがんコホートを同定した。
提案した物語は,特徴密度が著しく増加し,性能が向上した。
- 参考スコア(独自算出の注目度): 21.660602700862714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cancer treatments are known to introduce cardiotoxicity, negatively impacting outcomes and survivorship. Identifying cancer patients at risk of heart failure (HF) is critical to improving cancer treatment outcomes and safety. This study examined machine learning (ML) models to identify cancer patients at risk of HF using electronic health records (EHRs), including traditional ML, Time-Aware long short-term memory (T-LSTM), and large language models (LLMs) using novel narrative features derived from the structured medical codes. We identified a cancer cohort of 12,806 patients from the University of Florida Health, diagnosed with lung, breast, and colorectal cancers, among which 1,602 individuals developed HF after cancer. The LLM, GatorTron-3.9B, achieved the best F1 scores, outperforming the traditional support vector machines by 39%, the T-LSTM deep learning model by 7%, and a widely used transformer model, BERT, by 5.6%. The analysis shows that the proposed narrative features remarkably increased feature density and improved performance.
- Abstract(参考訳): がん治療は心臓毒性を導入し、予後と生存に悪影響を及ぼすことが知られている。
心不全(HF)のリスクのあるがん患者を同定することは、がん治療の結果と安全性を改善するために重要である。
本研究では, 従来のML, Time-Aware long short-term memory (T-LSTM), Large Language model (LLMs) を含む電子健康記録(EHRs)を用いて, HFのリスクのあるがん患者を同定する機械学習モデルについて検討した。
肺がん,乳がん,大腸癌と診断されたフロリダ大学から12,806人のがんコホートを同定し,その内1,602人が癌術後にHFを発症した。
LLMのGatorTron-3.9Bは、従来のサポートベクトルマシンを39%上回り、T-LSTMディープラーニングモデルを7%上回り、広く使われている変換器モデルBERTを5.6%上回った。
分析の結果,提案した物語の特徴は特徴密度が著しく増加し,性能が向上した。
関連論文リスト
- EXACT-Net:EHR-guided lung tumor auto-segmentation for non-small cell
lung cancer radiotherapy [8.380581495879433]
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。
論文 参考訳(メタデータ) (2024-02-21T19:49:12Z) - Pulmonologists-Level lung cancer detection based on standard blood test
results and smoking status using an explainable machine learning approach [2.545682175108217]
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。
論文 参考訳(メタデータ) (2024-02-14T22:00:57Z) - CIMIL-CRC: a clinically-informed multiple instance learning framework
for patient-level colorectal cancer molecular subtypes classification from
H\&E stained images [45.32169712547367]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳(メタデータ) (2024-01-29T12:56:11Z) - Comparative Analysis of Deep Learning Architectures for Breast Cancer
Diagnosis Using the BreaKHis Dataset [0.0]
本研究では,癌分類における5つのよく知られたディープラーニングモデルの性能と比較を行った。
その結果、Xceptionモデルがトップに上がり、F1スコアは0.9、精度は89%となった。
InceptionモデルのF1スコアは87で、InceptionResNetのF1スコアは86。
論文 参考訳(メタデータ) (2023-09-02T19:02:50Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳(メタデータ) (2023-04-12T15:08:34Z) - 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) - CancerUniT: Towards a Single Unified Model for Effective Detection,
Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection
of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。
ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。
CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文 参考訳(メタデータ) (2023-01-28T20:09:34Z) - Improving Precancerous Case Characterization via Transformer-based
Ensemble Learning [31.891340667123124]
自然言語処理のがん病理学報告への応用は、がん症例の検出に焦点が当てられている。
先天性腺腫のキャラクタリゼーションの改善は、早期がんの検出と予防のための診断試験の開発を支援する。
以上の結果から,NLPを用いて早期がん予防のための診断試験の開発を促進できる可能性が示唆された。
論文 参考訳(メタデータ) (2022-12-10T00:06:28Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳(メタデータ) (2022-11-10T03:02:12Z) - 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) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳(メタデータ) (2022-04-22T17:27:00Z)
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。