Fugu-MT 論文翻訳(概要): Deep Neural Networks for Predicting Recurrence and Survival in Patients with Esophageal Cancer After Surgery

論文の概要: Deep Neural Networks for Predicting Recurrence and Survival in Patients with Esophageal Cancer After Surgery

arxiv url: http://arxiv.org/abs/2409.00163v1
Date: Fri, 30 Aug 2024 16:20:47 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 16:37:47.883564
Title: Deep Neural Networks for Predicting Recurrence and Survival in Patients with Esophageal Cancer After Surgery
Title（参考訳）: 食道癌術後再発・生存予測のためのディープニューラルネットワーク
Authors: Yuhan Zheng, Jessie A Elliott, John V Reynolds, Sheraz R Markar, Bartłomiej W. Papież, ENSURE study group,
Abstract要約: 食道癌は、国際的にがん関連死亡の主な原因である。疾患のない生存(DFS)と総合生存(OS)の3つのモデルにおける予後因子の同定と識別性能について検討した。 DeepSurvとDeepHitは、CoxPHに匹敵する識別精度を示した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Esophageal cancer is a major cause of cancer-related mortality internationally, with high recurrence rates and poor survival even among patients treated with curative-intent surgery. Investigating relevant prognostic factors and predicting prognosis can enhance post-operative clinical decision-making and potentially improve patients' outcomes. In this work, we assessed prognostic factor identification and discriminative performances of three models for Disease-Free Survival (DFS) and Overall Survival (OS) using a large multicenter international dataset from ENSURE study. We first employed Cox Proportional Hazards (CoxPH) model to assess the impact of each feature on outcomes. Subsequently, we utilised CoxPH and two deep neural network (DNN)-based models, DeepSurv and DeepHit, to predict DFS and OS. The significant prognostic factors identified by our models were consistent with clinical literature, with post-operative pathologic features showing higher significance than clinical stage features. DeepSurv and DeepHit demonstrated comparable discriminative accuracy to CoxPH, with DeepSurv slightly outperforming in both DFS and OS prediction tasks, achieving C-index of 0.735 and 0.74, respectively. While these results suggested the potential of DNNs as prognostic tools for improving predictive accuracy and providing personalised guidance with respect to risk stratification, CoxPH still remains an adequately good prediction model, with the data used in this study.
Abstract（参考訳）: 食道癌は, 再発率が高く, 再発率も高く, 再発率も低かった。関連する予後因子を調査して予後を予測することで、術後の臨床的意思決定が促進され、患者の結果が改善する可能性がある。本研究では,疾患のない生存 (DFS) と総合生存 (OS) の3つのモデルの予後因子の同定と識別性能を, ENSURE 研究による大規模多施設国際データセットを用いて評価した。最初にCox Proportional Hazards(CoxPH)モデルを用いて、各特徴が結果に与える影響を評価した。次に、DFSとOSを予測するために、CoxPHとDeepSurvとDeepHitという2つのディープニューラルネットワークモデルを使用しました。本モデルで同定した有意な予後因子は臨床文献と一致し,術後病理所見は臨床段階像よりも有意であった。 DeepSurv と DeepHit は CoxPH に匹敵する識別精度を示し、DeepSurv は DFS と OS の予測タスクでわずかに上回り、それぞれ 0.735 と 0.74 の C-インデックスを達成した。これらの結果は,予測精度を向上し,リスク階層化に関する個人化されたガイダンスを提供するための予測ツールとしてのDNNの可能性を示しているが,CoxPHは依然として十分な予測モデルであり,本研究で使用されるデータである。

関連論文リスト

Improving Lung Cancer Diagnosis and Survival Prediction with Deep Learning and CT Imaging [12.276877277186284]
肺癌は主要ながん関連死亡例であり、早期診断と治療は患者の生存率の向上に不可欠である。肺がんのリスクと肺のリスクとの間に得られるネットワークの神経畳み込みネットワークをCT実験に応用することを提案する。以上の結果から, 肺がん発生リスクと肺がん発生リスクの予測に, ミニバッチド・ロスとバイナリ・クロスエントロピーが有効であったことが示唆された。
論文参考訳（メタデータ） (2024-08-18T05:45:08Z)
Deep Neural Decision Forest: A Novel Approach for Predicting Recovery or Decease of Patients [1.0874223087191939]
本研究の目的は,深層学習アルゴリズムが患者の道徳を予測できるかどうかを検討することである。臨床およびRT-PCRがどちらが信頼性が高いかを予測するための予測に与える影響について検討した。その結果, RT-PCRを用いない臨床単独が, 80%の精度で最も効果的な診断方法であることが示唆された。
論文参考訳（メタデータ） (2023-11-23T11:21:40Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Hypergraph Convolutional Networks for Fine-grained ICU Patient Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文参考訳（メタデータ） (2023-08-24T05:26:56Z)
Multimodal Deep Learning for Personalized Renal Cell Carcinoma Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文参考訳（メタデータ） (2023-07-07T13:09:07Z)
Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文参考訳（メタデータ） (2023-03-09T15:38:16Z)
Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文参考訳（メタデータ） (2022-12-17T23:29:14Z)
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文参考訳（メタデータ） (2022-04-20T17:28:08Z)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)
COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
論文参考訳（メタデータ） (2020-05-26T16:33:52Z)

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。