Fugu-MT 論文翻訳(概要): Biochemical Prostate Cancer Recurrence Prediction: Thinking Fast & Slow

論文の概要: Biochemical Prostate Cancer Recurrence Prediction: Thinking Fast & Slow

arxiv url: http://arxiv.org/abs/2409.02284v1
Date: Tue, 3 Sep 2024 20:37:43 GMT
ステータス: 処理完了
システム内更新日: 2024-09-05 21:14:11.202612
Title: Biochemical Prostate Cancer Recurrence Prediction: Thinking Fast & Slow
Title（参考訳）: 生化学的前立腺癌再発予測:高速・低速で考える
Authors: Suhang You, Sanyukta Adap, Siddhesh Thakur, Bhakti Baheti, Spyridon Bakas,
Abstract要約: 本稿では,TTR予測のための2段階の「高速かつ遅い」戦略を提案する。第1段階は、生化学的再発において最も関連性の高いWSI領域である。第2段階では、高解像度のパッチを活用してTTRを予測する。
参考スコア（独自算出の注目度）: 1.6716173562668137
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Time to biochemical recurrence in prostate cancer is essential for prognostic monitoring of the progression of patients after prostatectomy, which assesses the efficacy of the surgery. In this work, we proposed to leverage multiple instance learning through a two-stage ``thinking fast \& slow'' strategy for the time to recurrence (TTR) prediction. The first (``thinking fast'') stage finds the most relevant WSI area for biochemical recurrence and the second (``thinking slow'') stage leverages higher resolution patches to predict TTR. Our approach reveals a mean C-index ($Ci$) of 0.733 ($\theta=0.059$) on our internal validation and $Ci=0.603$ on the LEOPARD challenge validation set. Post hoc attention visualization shows that the most attentive area contributes to the TTR prediction.
Abstract（参考訳）: 前立腺癌の生化学的再発時期は前立腺切除術後の進行の予後モニタリングに不可欠であり,手術の有効性を評価する。本研究では,2段階の‘高速な‘&スロー’戦略を反復予測(TTR)に用いて,複数のインスタンス学習を活用する方法を提案する。第1段階("thinking fast'')は生化学的再発に最も関係のあるWSI領域を見つけ、第2段階("thinking slow'')は高分解能パッチを活用してTTRを予測する。内部検証では平均C-index(Ci$)が0.733(\theta=0.059$)、LEOPARDチャレンジ検証セットでは$Ci=0.603(Ci=0.603$)となる。ホック後の注意の可視化は、最も注意すべき領域がTTR予測に寄与していることを示している。

関連論文リスト

Enhancing Clinically Significant Prostate Cancer Prediction in T2-weighted Images through Transfer Learning from Breast Cancer [71.91773485443125]
転送学習は、よりリッチなデータを持つドメインから取得した機能を活用して、限られたデータを持つドメインのパフォーマンスを向上させるテクニックである。本稿では,T2強調画像における乳癌からの転移学習による臨床的に有意な前立腺癌予知の改善について検討する。
論文参考訳（メタデータ） (2024-05-13T15:57:27Z)
Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文参考訳（メタデータ） (2024-05-13T15:48:26Z)
Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
論文参考訳（メタデータ） (2024-05-13T15:40:56Z)
Image Synthesis-based Late Stage Cancer Augmentation and Semi-Supervised Segmentation for MRI Rectal Cancer Staging [9.992841347751332]
本研究の目的は, 胸部, 直腸, 直腸の領域を分節し, 組織学的にT期を予測できることである。アブレーション研究では, 半教師付き学習アプローチでTスタージング損失は0.13。
論文参考訳（メタデータ） (2023-12-08T01:36:24Z)
Semi-supervised ViT knowledge distillation network with style transfer normalization for colorectal liver metastases survival prediction [1.283897253352624]
本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
論文参考訳（メタデータ） (2023-11-17T03:32:11Z)
Prostate Lesion Estimation using Prostate Masks from Biparametric MRI [0.0]
マルチパラメトリック前立腺MRIの代替としてバイパラメトリックMRIが登場した。前立腺癌(csPCA)の診断は困難である。ディープラーニングアルゴリズムはコホート研究において、csPCAを検出する代替ソリューションとして登場した。
論文参考訳（メタデータ） (2023-01-11T13:20:24Z)
Automated Segmentation and Recurrence Risk Prediction of Surgically Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
肺がんは、がん関連死亡の重大な原因である。本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
論文参考訳（メタデータ） (2022-09-17T23:06:22Z)
Automatic tumour segmentation in H&E-stained whole-slide images of the pancreas [2.4431235585344475]
病気の検出とセグメンテーションの精度のバランスをとるために,マルチタスク畳み込みニューラルネットワークを提案する。異なる解像度で29人の患者を対象にアプローチを検証した。
論文参考訳（メタデータ） (2021-12-01T22:05:15Z)
COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文参考訳（メタデータ） (2021-05-04T19:01:40Z)
MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文参考訳（メタデータ） (2020-10-08T15:30:17Z)
Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
膵管腺癌(PDAC)は最も致命的ながんの1つである。複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
論文参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。