Fugu-MT 論文翻訳(概要): Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling

論文の概要: Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling

arxiv url: http://arxiv.org/abs/2407.04888v1
Date: Fri, 5 Jul 2024 23:14:46 GMT
ステータス: 処理完了
システム内更新日: 2024-07-09 22:07:12.923677
Title: Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling
Title（参考訳）: 放射能の複雑さを解き明かす:予測モデリングにおける最適単純性のための方策
Authors: Mahdi Ait Lhaj Loutfi, Teodora Boblea Podasca, Alex Zwanenburg, Taman Upadhaya, Jorge Barrios, David R. Raleigh, William C. Chen, Dante P. I. Capaldi, Hong Zheng, Olivier Gevaert, Jing Wu, Alvin C. Silva, Paul J. Zhang, Harrison X. Bai, Jan Seuntjens, Steffen Löck, Patrick O. Richard, Olivier Morin, Caroline Reinhold, Martin Lepage, Martin Vallières,
Abstract要約: 放射線的特徴セットの高次元性、放射線的特徴タイプの変動性、そして潜在的に高い計算要求は、全て、与えられた臨床問題に対する最小の予測的特徴セットを特定する効果的な方法の必要性を浮き彫りにしている。我々は,最小限の放射線学的特徴を識別し,説明するための方法論とツールを開発する。
参考スコア（独自算出の注目度）: 4.1032659987778315
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Background: The high dimensionality of radiomic feature sets, the variability in radiomic feature types and potentially high computational requirements all underscore the need for an effective method to identify the smallest set of predictive features for a given clinical problem. Purpose: Develop a methodology and tools to identify and explain the smallest set of predictive radiomic features. Materials and Methods: 89,714 radiomic features were extracted from five cancer datasets: low-grade glioma, meningioma, non-small cell lung cancer (NSCLC), and two renal cell carcinoma cohorts (n=2104). Features were categorized by computational complexity into morphological, intensity, texture, linear filters, and nonlinear filters. Models were trained and evaluated on each complexity level using the area under the curve (AUC). The most informative features were identified, and their importance was explained. The optimal complexity level and associated most informative features were identified using systematic statistical significance analyses and a false discovery avoidance procedure, respectively. Their predictive importance was explained using a novel tree-based method. Results: MEDimage, a new open-source tool, was developed to facilitate radiomic studies. Morphological features were optimal for MRI-based meningioma (AUC: 0.65) and low-grade glioma (AUC: 0.68). Intensity features were optimal for CECT-based renal cell carcinoma (AUC: 0.82) and CT-based NSCLC (AUC: 0.76). Texture features were optimal for MRI-based renal cell carcinoma (AUC: 0.72). Tuning the Hounsfield unit range improved results for CECT-based renal cell carcinoma (AUC: 0.86). Conclusion: Our proposed methodology and software can estimate the optimal radiomics complexity level for specific medical outcomes, potentially simplifying the use of radiomics in predictive modeling across various contexts.
Abstract（参考訳）: 背景: 放射線的特徴セットの高次元性, 放射線的特徴タイプの変動性, および潜在的に高い計算要求は, 与えられた臨床問題に対する最小の予測特徴セットを特定する効果的な方法の必要性を浮き彫りにしている。目的: 最小限の放射能特徴を識別し、説明するための方法論とツールを開発する。対象と方法:低悪性度グリオーマ,髄膜腫,非小細胞肺癌(NSCLC),腎細胞癌コホート(n=2104。特徴は計算複雑性によって形態学、強度、テクスチャ、線形フィルタ、非線形フィルタに分類された。モデルは、曲線(AUC)の下の領域を用いて、各複雑性レベルで訓練され、評価された。最も重要な特徴が特定され、その重要性が説明された。組織的統計的意義分析と偽発見回避法を用いて, 最適な複雑性レベルと関連する最も有意な特徴を同定した。彼らの予測的重要性は、新しい木に基づく手法を用いて説明された。結果:新しいオープンソースツールであるMEDimageは放射線研究を促進するために開発された。 MRI-based meningioma (AUC: 0.65) およびlow-grade glioma (AUC: 0.68) では形態学的特徴が最適であった。 CECT-based renal cell carcinoma (AUC: 0.82), CT-based NSCLC (AUC: 0.76。 MRIによる腎細胞癌(AUC: 0.72。 CECTによる腎細胞癌(AUC: 0.86。結論: 提案手法とソフトウェアは, 特定の医学的結果に対して最適な放射能複雑性レベルを推定し, 様々な文脈における予測モデリングにおける放射能の使用を単純化する可能性がある。

関連論文リスト

Peritumoral Expansion Radiomics for Improved Lung Cancer Classification [0.0]
本研究は, 結節の分節化とその周辺が放射線治療による肺癌の分類にどのように影響するかを検討した。経時的領域の包含は性能を著しく向上させ, 最大で8mmの伸長が得られた。放射線学的アプローチにより分類精度が向上した。
論文参考訳（メタデータ） (2024-11-24T23:04:45Z)
TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文参考訳（メタデータ） (2024-11-05T19:35:10Z)
BrainMetDetect: Predicting Primary Tumor from Brain Metastasis MRI Data Using Radiomic Features and Machine Learning Algorithms [0.0]
脳転移 (BM) はがん患者に一般的であり, 腫瘍部位の決定は治療に重要である。本研究は, 放射能特徴と高度な機械学習アルゴリズムを用いて, BM MRIデータから一次腫瘍部位を予測することを目的とする。
論文参考訳（メタデータ） (2024-07-06T11:34:00Z)
ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文参考訳（メタデータ） (2023-10-08T17:23:17Z)
Developing a Novel Image Marker to Predict the Clinical Outcome of Neoadjuvant Chemotherapy (NACT) for Ovarian Cancer Patients [1.7623658472574557]
ネオアジュバント化学療法(ネオアジュバントセラピー、Neoadjuvant chemotherapy, NACT)は、卵巣がんの進行期における治療法の一つ。 NACTに対する部分的反応は、近位部破裂手術を引き起こす可能性があり、予後不良を引き起こす。我々は,NATの早期に高精度な予後予測を実現するために,新しい画像マーカーを開発した。
論文参考訳（メタデータ） (2023-09-13T16:59:50Z)
Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。 MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2023-08-29T17:44:28Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
Prognostic Power of Texture Based Morphological Operations in a Radiomics Study for Lung Cancer [0.0]
この研究は、非小細胞肺癌(NSCLC)を患っている患者のオープンデータベース上で行われます。腫瘍の特徴をCT画像から抽出し,PCAおよびKaplan-Meierサバイバル分析を用いて解析し,最も関連性の高いものを選択する。 1,589件の研究された特徴のうち、32件は患者の生存を予測するために関連している。
論文参考訳（メタデータ） (2020-12-23T13:38:19Z)
Glioma Classification Using Multimodal Radiology and Histology Data [0.41883694872353855]
グリオーマを,オリゴデンドログリオーマ,アストロサイトーマ,グリオ芽腫の3つのサブタイプに分類するパイプラインを提案する。分類アルゴリズムは, CPM-RadPath 2020 チャレンジで提供されるデータセットを用いて評価した。
論文参考訳（メタデータ） (2020-11-10T21:38:26Z)

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。