論文の概要: Cross-Vendor Reproducibility of Radiomics-based Machine Learning Models for Computer-aided Diagnosis
- arxiv url: http://arxiv.org/abs/2407.18060v1
- Date: Thu, 25 Jul 2024 14:16:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-26 13:49:09.694468
- Title: Cross-Vendor Reproducibility of Radiomics-based Machine Learning Models for Computer-aided Diagnosis
- Title(参考訳): コンピュータ支援診断のための放射能に基づく機械学習モデルのクロスベンダ再現性
- Authors: Jatin Chaudhary, Ivan Jambor, Hannu Aronen, Otto Ettala, Jani Saunavaara, Peter Boström, Jukka Heikkonen, Rajeev Kanth, Harri Merisaari,
- Abstract要約: マルチモーダル学習と機能融合による臨床診断支援の強化を目指す。
我々のSVMモデルは、PiradiomicsとMRCradiomicsの複合機能を利用して、Multi-Improdデータセット上でAUCの0.74を達成しました。
RFモデルはピラディオミクスの特徴のみを用いたモデルに対して顕著なロバスト性を示した(PhilipsのAUC 0.78)。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background: The reproducibility of machine-learning models in prostate cancer detection across different MRI vendors remains a significant challenge. Methods: This study investigates Support Vector Machines (SVM) and Random Forest (RF) models trained on radiomic features extracted from T2-weighted MRI images using Pyradiomics and MRCradiomics libraries. Feature selection was performed using the maximum relevance minimum redundancy (MRMR) technique. We aimed to enhance clinical decision support through multimodal learning and feature fusion. Results: Our SVM model, utilizing combined features from Pyradiomics and MRCradiomics, achieved an AUC of 0.74 on the Multi-Improd dataset (Siemens scanner) but decreased to 0.60 on the Philips test set. The RF model showed similar trends, with notable robustness for models using Pyradiomics features alone (AUC of 0.78 on Philips). Conclusions: These findings demonstrate the potential of multimodal feature integration to improve the robustness and generalizability of machine-learning models for clinical decision support in prostate cancer detection. This study marks a significant step towards developing reliable AI-driven diagnostic tools that maintain efficacy across various imaging platforms.
- Abstract(参考訳): 背景: 異なるMRIベンダーにわたる前立腺癌検出における機械学習モデルの再現性は、依然として大きな課題である。
方法:本研究では,T2強調MRI画像から放射能特性を学習した支援ベクトルマシン(SVM)とランダムフォレスト(RF)モデルについて,ピラディオミクスおよびMRCラジオミクスライブラリーを用いて検討した。
MRMR法を用いて特徴選択を行った。
マルチモーダル学習と機能融合による臨床診断支援の強化を目指していた。
結果: このSVMモデルはPhilipsテストセットでは0.60に減少したが,Multi-Improdデータセット(シーメンススキャナ)では0.74のAUCを達成した。
RFモデルも同様の傾向を示し、ピラディオミクスの特徴のみを用いたモデル(フィリップスのAUC 0.78)で顕著な堅牢性を示した。
結論: 本研究は, 前立腺癌検出における臨床診断支援のための機械学習モデルの堅牢性と一般化性を向上させるために, マルチモーダル機能統合の可能性を示すものである。
この研究は、様々な画像プラットフォームで有効性を維持する信頼性の高いAI駆動診断ツールを開発するための重要なステップである。
関連論文リスト
- Deep Learning-Based Noninvasive Screening of Type 2 Diabetes with Chest X-ray Images and Electronic Health Records [2.2940141855172036]
本研究は,胸部X線画像と他の非侵襲的データソース,例えば電子健康記録(EHR)や心電図信号の統合をT2DM検出のために評価した。
エンドツーエンドのResNet-LSTMモデルのAUROCは0.86で、CXRのみのベースラインをわずか9863のトレーニングサンプルで2.3%上回った。
論文 参考訳(メタデータ) (2024-12-14T20:18:16Z) - Multi-Tiered Self-Contrastive Learning for Medical Microwave Radiometry (MWR) Breast Cancer Detection [0.25569800973362833]
本研究は, 乳癌検診におけるマイクロ波ラジオメトリー(MWR)に適した, 新規な多層自己造影モデルを提案する。
提案手法には, ローカルMWR (L-MWR), 地域MWR (R-MWR), グローバルMWR (G-MWR) の3つの異なるモデルが組み込まれている。
これらのモデルはジョイント・MWR(J-MWR)ネットワークを通じて統合され、各分析レベルで自己比較結果を利用して診断精度を向上させる。
論文 参考訳(メタデータ) (2024-10-06T21:51:02Z) - MGH Radiology Llama: A Llama 3 70B Model for Radiology [50.42811030970618]
本稿では,高度な放射線学に焦点を当てた大規模言語モデルMGH Radiology Llamaを提案する。
Llama 3 70Bモデルを使用して開発され、Radiology-GPTやRadiology-Llama2といった従来のドメイン固有モデルをベースにしている。
従来の指標とGPT-4に基づく評価の両方を取り入れた評価では,汎用LLMよりも高い性能を示す。
論文 参考訳(メタデータ) (2024-08-13T01:30:03Z) - Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling [4.1032659987778315]
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。
論文 参考訳(メタデータ) (2024-07-05T23:14:46Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳(メタデータ) (2024-01-17T07:54:49Z) - A Bi-Pyramid Multimodal Fusion Method for the Diagnosis of Bipolar
Disorders [11.622160966334745]
我々はMRIとfMRIの両方のデータを用いて、双極性障害のマルチモーダル診断モデルを提案する。
提案手法は,OpenfMRIデータセットの精度を0.657から0.732に向上させる。
論文 参考訳(メタデータ) (2024-01-15T10:11:19Z) - 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) - Generative Models Improve Radiomics Performance in Different Tasks and
Different Datasets: An Experimental Study [3.040206021972938]
ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。
生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
論文 参考訳(メタデータ) (2021-09-06T06:01:21Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - A multicenter study on radiomic features from T$_2$-weighted images of a
customized MR pelvic phantom setting the basis for robust radiomic models in
clinics [47.187609203210705]
骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。
放射線学的特徴の再現性と再配置を評価した。
論文 参考訳(メタデータ) (2020-05-14T09:24:48Z)
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。