論文の概要: Enhancing predictive imaging biomarker discovery through treatment effect analysis
- arxiv url: http://arxiv.org/abs/2406.02534v2
- Date: Mon, 09 Dec 2024 15:58:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:51:40.810914
- 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た予測画像バイオマーカー,特定の画像特徴の発見に焦点を当てた。
作業集約的なアプローチは手作りの特徴に頼ってバイアスを起こしやすいのとは違い,画像から直接予測的特徴を学習する新たな課題が提示される。
- 参考スコア(独自算出の注目度): 2.8300022117286523
- License:
- Abstract: Identifying predictive covariates, which forecast individual treatment effectiveness, is crucial for decision-making across different disciplines such as personalized medicine. These covariates, referred to as biomarkers, are extracted from pre-treatment data, often within randomized controlled trials, and should be distinguished from prognostic biomarkers, which are independent of treatment assignment. Our study focuses on discovering predictive imaging biomarkers, specific image features, by leveraging pre-treatment images to uncover new causal relationships. Unlike labor-intensive approaches relying on handcrafted features prone to bias, we present a novel task of directly learning predictive features from images. We propose an evaluation protocol to assess a model's ability to identify predictive imaging biomarkers and differentiate them from purely prognostic ones by employing statistical testing and a comprehensive analysis of image feature attribution. We explore the suitability of deep learning models originally developed for estimating the conditional average treatment effect (CATE) for this task, which have been assessed primarily for their precision of CATE estimation while overlooking the evaluation of imaging biomarker discovery. Our proof-of-concept analysis demonstrates the feasibility and potential of our approach in discovering and validating predictive imaging biomarkers from synthetic outcomes and real-world image datasets. Our code is available at \url{https://github.com/MIC-DKFZ/predictive_image_biomarker_analysis}.
- Abstract(参考訳): 個別の治療効果を予測する予測共変体を同定することは、パーソナライズドメディカルなどの様々な分野における意思決定に不可欠である。
バイオマーカーと呼ばれるこれらの共変体は、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のバイオマーカーと区別されるべきである。
本研究は,新しい因果関係を明らかにするために前処理画像を活用することにより,予測画像バイオマーカー,特定の画像特徴の発見に焦点を当てた。
作業集約的なアプローチは手作りの特徴に頼ってバイアスを起こしやすいのとは違い,画像から直接予測的特徴を学習する新たな課題が提示される。
本稿では, 画像特徴属性の総合的解析と統計的検査を用いて, 予測画像バイオマーカーの同定能力の評価と, 純粋に予測できないものとの区別を行うための評価プロトコルを提案する。
本稿では,この課題に対する条件平均処理効果(CATE)を推定するために開発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,検証するためのアプローチの有効性と可能性を実証する。
我々のコードは \url{https://github.com/MIC-DKFZ/predictive_image_biomarker_analysis} で利用可能です。
関連論文リスト
- Heterogeneous Image-based Classification Using Distributional Data
Analysis [0.1471145775252885]
画素レベルの特徴の確率(量子)分布を組み込んだ新しい画像ベース分布データ解析(DDA)手法を開発した。
提案手法の特徴として, (i) 画像内の不均一性を考慮し, (ii) 分布全体にわたる粒度の情報を取り込み, (iii) がん応用における未登録画像に対する画像サイズの変化に対処する能力がある。
論文 参考訳(メタデータ) (2024-03-11T19:41:40Z) - Probabilistic Modeling of Inter- and Intra-observer Variability in
Medical Image Segmentation [12.594098548008832]
我々は、確率的オブザーバとiNtraオブザーバ変異NetwOrk(ピオノ)と呼ばれる新しいモデルを提案する。
各レーダのラベル付け動作を多次元確率分布で捉え、確率的セグメンテーション予測を生成する。
実世界のがんセグメンテーションデータセットの実験は、ピオノの精度と効率を実証している。
論文 参考訳(メタデータ) (2023-07-21T07:29:38Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - 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) - OCTAVA: an open-source toolbox for quantitative analysis of optical
coherence tomography angiography images [0.2621533844622817]
ユーザフレンドリーでオープンソースのツールボックスOCTAVAを報告し、OCTA最大強度投影画像の事前処理、セグメンテーション、定量的解析を自動化する。
市販・非商用機器およびサンプルのOCTA画像の定量的解析を行い、OCTAVAが微小血管のキャラクタリゼーションの指標を正確に再現可能であることを示す。
論文 参考訳(メタデータ) (2021-09-04T10:11:42Z) - 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。