論文の概要: Longitudinal Mammogram Risk Prediction

• arxiv url: http://arxiv.org/abs/2404.19083v1
• Date: Mon, 29 Apr 2024 19:52:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-01 18:00:28.526872
• Title: Longitudinal Mammogram Risk Prediction
• Title（参考訳）: 縦型マンモグラフィーのリスク予測
• Authors: Batuhan K. Karaman, Katerina Dodelzon, Gozde B. Akar, Mert R. Sabuncu,
• Abstract要約: 我々は最先端の機械学習モデルを拡張し、任意の数の縦マンモグラフィーを摂取し、将来の乳がんリスクを予測する。 以上の結果から,より長い歴史(例年4回のマンモグラム)が将来の乳癌のリスクを予測する精度を著しく向上させる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 6.28887425442237
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Breast cancer is one of the leading causes of mortality among women worldwide. Early detection and risk assessment play a crucial role in improving survival rates. Therefore, annual or biennial mammograms are often recommended for screening in high-risk groups. Mammograms are typically interpreted by expert radiologists based on the Breast Imaging Reporting and Data System (BI-RADS), which provides a uniform way to describe findings and categorizes them to indicate the level of concern for breast cancer. Recently, machine learning (ML) and computational approaches have been developed to automate and improve the interpretation of mammograms. However, both BI-RADS and the ML-based methods focus on the analysis of data from the present and sometimes the most recent prior visit. While it is clear that temporal changes in image features of the longitudinal scans should carry value for quantifying breast cancer risk, no prior work has conducted a systematic study of this. In this paper, we extend a state-of-the-art ML model to ingest an arbitrary number of longitudinal mammograms and predict future breast cancer risk. On a large-scale dataset, we demonstrate that our model, LoMaR, achieves state-of-the-art performance when presented with only the present mammogram. Furthermore, we use LoMaR to characterize the predictive value of prior visits. Our results show that longer histories (e.g., up to four prior annual mammograms) can significantly boost the accuracy of predicting future breast cancer risk, particularly beyond the short-term. Our code and model weights are available at https://github.com/batuhankmkaraman/LoMaR.
• Abstract（参考訳）: 乳がんは世界中の女性の死亡率の主要な原因の1つである。 早期発見とリスク評価は生存率の向上に重要な役割を果たす。 そのため、高リスク群の検診には、年中または二年生のマンモグラムが推奨されることが多い。 マンモグラムは通常、乳房画像報告・データシステム(BI-RADS)に基づく専門放射線学者によって解釈される。 近年,マンモグラムの解釈を自動化するため,機械学習(ML)と計算手法が開発されている。 しかし、BI-RADSとMLベースの手法はどちらも、現在からのデータの分析に重点を置いており、時には最新の訪問も行っている。 乳がんリスクの定量化には,縦断的画像所見の経時的変化が有用であることは明らかだが,本研究の系統的研究は行われていない。 本稿では,最先端のMLモデルを拡張して,任意の数の縦マンモグラフィーを摂取し,将来の乳癌のリスクを予測する。 大規模なデータセットでは,現在のマンモグラムのみを提示した場合に,我々のモデルであるLoMaRが最先端の性能を達成することを示す。 さらに,先行訪問の予測値の特徴付けにはLoMaRを用いる。 以上の結果から,長期(例年4回のマンモグラフィー)は,特に短期の乳癌のリスク予測の精度を著しく向上させる可能性が示唆された。 コードとモデルの重み付けはhttps://github.com/batuhankmkaraman/LoMaR.comで公開されています。

関連論文リスト

• Ordinal Learning: Longitudinal Attention Alignment Model for Predicting Time to Future Breast Cancer Events from Mammograms [16.06975226476176]
  OA-BreaCR は,BC のリスクおよび時間・将来の予測タスクにおいて,既存の手法よりも優れる。 以上の結果から,BC検診・予防活動の強化に向けた解釈的かつ正確なリスク評価の重要性が示唆された。
  論文  参考訳（メタデータ） (2024-09-10T22:03:26Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Unsupversied feature correlation model to predict breast abnormal variation maps in longitudinal mammograms [1.6249398255272316]
  本研究は,乳腺異常の早期発見と診断の精度の向上に焦点を当てた。 縦2次元マンモグラフィーを用いて乳房異常変化を示す地図を生成するために, 新規な教師なし特徴相関ネットワークを開発した。 その結果,提案モデルは,精度,感度,特異性,Diceスコア,がん検出率において,ベースラインモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-28T01:37:55Z)
• 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)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• RADIFUSION: A multi-radiomics deep learning based breast cancer risk prediction model using sequential mammographic images with image attention and bilateral asymmetry refinement [0.36355629235144304]
  本研究は, 画像注意放射能, ゲーティング機構, 左右非対称性に基づく微調整など, 様々な深層学習機構の重要性を強調した。 乳がんリスク評価のための強力なツールとして, RADIfusionが有用であることが示唆された。
  論文  参考訳（メタデータ） (2023-04-01T08:18:13Z)
• Enhancing Breast Cancer Risk Prediction by Incorporating Prior Images [8.756888862171195]
  本稿では,トランスフォーマーデコーダを用いた乳がんリスク予測のための新しい手法PRIME+を提案する。 我々は16,113検診のデータセットにアプローチを検証し,従来のマンモグラムから変化パターンを効果的に捉えることを実証した。 実験の結果,C-インデックスは0.68から0.73に増加し,最先端モデルよりも統計的に有意な改善が得られた。
  論文  参考訳（メタデータ） (2023-03-28T03:05:25Z)
• Advancing Radiograph Representation Learning with Masked Record Modeling [52.04899592688968]
  我々は2つの相補的な目的として自己と報告の補完を定式化し、マスク付きレコードモデリング(MRM)に基づく統一的な枠組みを提案する。 MRMは、知識強化されたセマンティック表現を学ぶためのマルチタスクスキームに従って、マスクされた画像パッチとマスクされたレポートトークンを再構築する。 具体的には、MRMはラベル効率の良い微調整において優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-01-30T18:33:32Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• CSAW-M: An Ordinal Classification Dataset for Benchmarking Mammographic Masking of Cancer [8.0701718204815]
  乳腺腫瘍は, 乳腺検診で偽陰性評価がみられたため, 早期発見が一般的である。 スクリーニング時間の欠如は、腫瘍が周囲の乳房組織によって隠蔽されていることが原因であることが多い。 CSAW-Mは,1万人以上の個人から収集され,潜在的なマスキングを伴ってアノテートされた,最大規模のマンモグラフィーデータセットである。
  論文  参考訳（メタデータ） (2021-12-02T15:31:51Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。