論文の概要: Enhancing predictive imaging biomarker discovery through treatment effect analysis
- arxiv url: http://arxiv.org/abs/2406.02534v1
- Date: Tue, 4 Jun 2024 17:54:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-05 15:00:23.956796
- Title: Enhancing predictive imaging biomarker discovery through treatment effect analysis
- Title（参考訳）: 治療効果分析による予測画像バイオマーカーの発見の促進
- Authors: Shuhan Xiao, Lukas Klein, Jens Petersen, Philipp Vollmuth, Paul F. Jaeger, Klaus H. Maier-Hein,
- Abstract要約: 本研究は,前処理画像を利用して新たな因果関係を明らかにすることを目的とした,予測画像バイオマーカーの発見に焦点を当てた。
以前のアプローチは、労働集約的な手工芸や手作業による特徴に依存しており、バイアスをもたらす可能性がある。
本稿では,モデルが予測画像バイオマーカーを識別し,それを認識できないものと区別する能力を評価するための評価プロトコルを提案する。
- 参考スコア（独自算出の注目度）: 2.8300022117286523
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying predictive biomarkers, which forecast individual treatment effectiveness, is crucial for personalized medicine and informs decision-making across diverse disciplines. These biomarkers are extracted from pre-treatment data, often within randomized controlled trials, and have to be distinguished from prognostic biomarkers, which are independent of treatment assignment. Our study focuses on the discovery of predictive imaging biomarkers, aiming to leverage pre-treatment images to unveil new causal relationships. Previous approaches relied on labor-intensive handcrafted or manually derived features, which may introduce biases. In response, we present a new task of discovering predictive imaging biomarkers directly from the pre-treatment images to learn relevant image features. We propose an evaluation protocol for this task to assess a model's ability to identify predictive imaging biomarkers and differentiate them from prognostic ones. It employs statistical testing and a comprehensive analysis of image feature attribution. We explore the suitability of deep learning models originally designed for estimating the conditional average treatment effect (CATE) for this task, which previously have been primarily assessed for the precision of CATE estimation, overlooking the evaluation of imaging biomarker discovery. Our proof-of-concept analysis demonstrates promising results in discovering and validating predictive imaging biomarkers from synthetic outcomes and real-world image datasets.
- Abstract（参考訳）: 個々の治療効果を予測する予測バイオマーカーの同定は、パーソナライズされた医療に不可欠であり、さまざまな分野にわたる意思決定を通知する。
これらのバイオマーカーは前処理データから抽出され、多くの場合ランダム化比較試験で抽出され、治療課題に依存しない予後バイオマーカーと区別されなければならない。
本研究は,前処理画像を利用して新たな因果関係を明らかにすることを目的とした,予測画像バイオマーカーの発見に焦点を当てた。
以前のアプローチは、労働集約的な手工芸や手作業による特徴に依存しており、バイアスをもたらす可能性がある。
そこで本研究では,前処理画像から直接バイオマーカーを抽出し,関連画像の特徴を学習する新しい課題を提案する。
本稿では,モデルが予測画像バイオマーカーを識別し,それを認識できないものと区別する能力を評価するための評価プロトコルを提案する。
統計検査と画像特徴属性の包括的分析を採用している。
本稿では,この課題に対する条件平均処理効果(CATE)を推定するために設計された深層学習モデルの適合性について検討する。
概念実証分析は,合成結果と実世界の画像データセットから予測画像バイオマーカーを発見し,検証する上で有望な結果を示す。
関連論文リスト
- Label-free prediction of fluorescence markers in bovine satellite cells using deep learning [0.0]
ウシの衛星細胞(BSC)の質を評価することは、養殖肉産業にとって不可欠である。
本研究は, 深層学習を用いた孤立BSCにおける蛍光マーカー予測のためのラベルフリー手法を開発することを目的とする。
論文 参考訳（メタデータ） (2024-10-17T15:47:12Z) - Learning Personalized Treatment Decisions in Precision Medicine: Disentangling Treatment Assignment Bias in Counterfactual Outcome Prediction and Biomarker Identification [0.05277756703318046]
精密医療は、機械学習(ML)と人工知能(AI)を用いて、個々の患者に対して治療決定を調整できる可能性がある
臨床観察データの複雑なバイアスと、生物学的データの高次元的な性質により、大きな課題に直面している。
本研究は,相互情報を用いた多種多様な治療課題バイアスをモデル化し,それらのMLモデルへの影響について検討する。
論文 参考訳（メタデータ） (2024-10-01T08:47:29Z) - A marker-less human motion analysis system for motion-based biomarker
discovery in knee disorders [60.99112047564336]
NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。
膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
論文 参考訳（メタデータ） (2023-04-26T16:47:42Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Counterfactual Image Synthesis for Discovery of Personalized Predictive
Image Markers [0.293168019422713]
そこで本研究では,深部条件生成モデルを用いて,主観的疾患の進展に関連があるベースライン画像の局所像特徴を摂動させることが可能であることを示す。
本モデルでは, 臨床像を反映した画像特徴の変化により, 集団レベルでのMRI像の現況を予測し, 治療効果を検証した。
論文 参考訳（メタデータ） (2022-08-03T18:58:45Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - The Future will be Different than Today: Model Evaluation Considerations
when Developing Translational Clinical Biomarker [4.549866091318765]
従来のクロスバリデーション(cv)方式の代わりに,LOSO(Left-one-Study-out)を用いた評価戦略を提案する。
バイオマーカーの効果を推定するためのK-fold vs. LOSO cvの性能を示すために,臨床実験およびシミュレーション研究のデータを活用した。
論文 参考訳（メタデータ） (2021-07-13T19:36:25Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z) - Bayesian Neural Networks for Uncertainty Estimation of Imaging
Biomarkers [0.0]
本稿では,セグメンテーションの不確実性を統計解析に伝達し,セグメンテーションの信頼性の変動を考慮することを提案する。
糖尿病患者における肝の分節化成績は, 統計的推測におけるバイオマーカーの不確実性の改善を明らかに示している。
論文 参考訳（メタデータ） (2020-08-28T14:34:12Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。