論文の概要: Survival Prediction Across Diverse Cancer Types Using Neural Networks
- arxiv url: http://arxiv.org/abs/2404.08713v1
- Date: Thu, 11 Apr 2024 21:47:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-16 19:02:07.924775
- Title: Survival Prediction Across Diverse Cancer Types Using Neural Networks
- Title(参考訳): ニューラルネットワークを用いた異種癌の生存予測
- Authors: Xu Yan, Weimin Wang, MingXuan Xiao, Yufeng Li, Min Gao,
- Abstract要約: 胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。
医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。
本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
- 参考スコア(独自算出の注目度): 40.392772795903795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gastric cancer and Colon adenocarcinoma represent widespread and challenging malignancies with high mortality rates and complex treatment landscapes. In response to the critical need for accurate prognosis in cancer patients, the medical community has embraced the 5-year survival rate as a vital metric for estimating patient outcomes. This study introduces a pioneering approach to enhance survival prediction models for gastric and Colon adenocarcinoma patients. Leveraging advanced image analysis techniques, we sliced whole slide images (WSI) of these cancers, extracting comprehensive features to capture nuanced tumor characteristics. Subsequently, we constructed patient-level graphs, encapsulating intricate spatial relationships within tumor tissues. These graphs served as inputs for a sophisticated 4-layer graph convolutional neural network (GCN), designed to exploit the inherent connectivity of the data for comprehensive analysis and prediction. By integrating patients' total survival time and survival status, we computed C-index values for gastric cancer and Colon adenocarcinoma, yielding 0.57 and 0.64, respectively. Significantly surpassing previous convolutional neural network models, these results underscore the efficacy of our approach in accurately predicting patient survival outcomes. This research holds profound implications for both the medical and AI communities, offering insights into cancer biology and progression while advancing personalized treatment strategies. Ultimately, our study represents a significant stride in leveraging AI-driven methodologies to revolutionize cancer prognosis and improve patient outcomes on a global scale.
- Abstract(参考訳): 胃癌と大腸腺癌は、高い死亡率と複雑な治療環境を有する広範囲で困難な悪性腫瘍である。
がん患者の正確な予後に重要なニーズがあるため、医療コミュニティは5年間の生存率を患者の予後を推定するための重要な指標として受け入れてきた。
本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
高度な画像解析技術を活用し,これらのがんのスライド画像全体(WSI)をスライスし,腫瘍の特徴を捉えた包括的特徴を抽出した。
その後,腫瘍組織内の複雑な空間関係をカプセル化した患者レベルグラフを構築した。
これらのグラフは、包括的な分析と予測のためにデータ固有の接続性を活用するために設計された、洗練された4層グラフ畳み込みニューラルネットワーク(GCN)の入力として機能した。
症例の生存時間と生存状況を統合することで,胃癌のC-index値と大腸癌のC-index値をそれぞれ0.57,0.64と算出した。
これらの結果は,従来の畳み込みニューラルネットワークモデルを上回るものであり,患者の生存率を正確に予測するためのアプローチの有効性を裏付けるものである。
この研究は、パーソナライズされた治療戦略を推進しながら、がんの生物学と進行に関する洞察を提供しながら、医療とAIコミュニティの両方に深い影響を与える。
最終的に、我々の研究は、AI駆動の手法を活用してがんの予後を変革し、世界規模で患者の結果を改善するための重要な一歩である。
関連論文リスト
- AI-Enabled Lung Cancer Prognosis [1.2054979237210064]
肺がんはがんによる死亡の主な原因であり、2020年には全世界で約179万人が死亡している。
これらのうち、非小細胞肺癌(NSCLC)が主な亜型であり、顕著な出血性予後を特徴とする。
人工知能(AI)の最近の進歩は、肺癌の予後に革命をもたらした。
論文 参考訳(メタデータ) (2024-02-12T22:09:43Z) - 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) - Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic Prediction [4.850774880198265]
本稿では,二部グラフ畳み込みニューラルネットワーク(GCN)とニューラル正規微分方程式(Neural-ODE)を組み合わせたグラフエンコーダを提案する。
まず,本手法が経験的モデルにより著しく改善される腫瘍のダイナミックモデルを発見することができることを示す。
本研究は, 提案手法が有望であり, プリクリニカル・セッティングに応用できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-10-02T06:39:08Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳(メタデータ) (2023-07-07T13:09:07Z) - Diagnosis and Prognosis of Head and Neck Cancer Patients using
Artificial Intelligence [0.0]
がんは世界中で最も致命的な疾患の1つであり、頭頸部がん(H&N)は毎年数十万件の新しい症例が記録されている。
臨床医は、CTやポジトロン・エミッション・トモグラフィーなどの医療画像モダリティを用いて腫瘍の存在を検知し、その情報と患者の予後に関する臨床データを組み合わせる。
機械学習とディープラーニングは、これらのタスクを自動化し、医師が非常に有望な結果を得るのを助ける。
論文 参考訳(メタデータ) (2023-05-31T08:22:41Z) - 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) - 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) - 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) - Lymph Node Graph Neural Networks for Cancer Metastasis Prediction [0.342658286826597]
局所リンパ節に転移する既存の癌の画像特徴をグラフベースで表現する手法を提案する。
我々は,遠隔転移のリスクを正確に予測するために,エッジゲートグラフ畳み込みネットワーク(Gated-GCN)を訓練した。
論文 参考訳(メタデータ) (2021-06-03T09:28:14Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳(メタデータ) (2020-11-22T17:31:23Z)
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。