論文の概要: Reducing Overtreatment of Indeterminate Thyroid Nodules Using a Multimodal Deep Learning Model

• arxiv url: http://arxiv.org/abs/2409.19171v1
• Date: Fri, 27 Sep 2024 22:38:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 04:11:01.545144
• Title: Reducing Overtreatment of Indeterminate Thyroid Nodules Using a Multimodal Deep Learning Model
• Title（参考訳）: マルチモーダル深層学習モデルを用いた不定位甲状腺腫瘍の過剰治療の軽減
• Authors: Shreeram Athreya, Andrew Melehy, Sujit Silas Armstrong Suthahar, Vedrana Ivezić, Ashwath Radhachandran, Vivek Sant, Chace Moleta, Henry Zheng, Maitraya Patel, Rinat Masamed, Corey W. Arnold, William Speier,
• Abstract要約: 分子試験(MT)は、細胞学的に不確定な甲状腺結節を高感度で高い正の予測値(PPV)で良性または悪性と分類する この制限に対処するために、米国内の画像に多重インスタンス学習(AMIL)を適用した。 結節を良性または悪性と分類するために,US画像とMTを組み合わせた多モード深層学習AMILモデルを開発した。
• 参考スコア（独自算出の注目度）: 3.4812887520451117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Molecular testing (MT) classifies cytologically indeterminate thyroid nodules as benign or malignant with high sensitivity but low positive predictive value (PPV), only using molecular profiles, ignoring ultrasound (US) imaging and biopsy. We address this limitation by applying attention multiple instance learning (AMIL) to US images. Methods: We retrospectively reviewed 333 patients with indeterminate thyroid nodules at UCLA medical center (259 benign, 74 malignant). A multi-modal deep learning AMIL model was developed, combining US images and MT to classify the nodules as benign or malignant and enhance the malignancy risk stratification of MT. Results: The final AMIL model matched MT sensitivity (0.946) while significantly improving PPV (0.477 vs 0.448 for MT alone), indicating fewer false positives while maintaining high sensitivity. Conclusion: Our approach reduces false positives compared to MT while maintaining the same ability to identify positive cases, potentially reducing unnecessary benign thyroid resections in patients with indeterminate nodules.
• Abstract（参考訳）: 目的: 分子試験 (MT) では, 甲状腺結節を良性, 悪性と分類し, 高感度で高い正の予測値 (PPV) を示した。 この制限に対処するために、米国内の画像に多重インスタンス学習(AMIL)を適用した。 方法:UCLA医療センターにて非定位甲状腺結節症例333例(良性259例,悪性74例)を振り返って検討した。 多モード深層学習 AMIL モデルを開発し, 結節を良性, 悪性, 悪性と分類し, 悪性度リスク層化を増強した。その結果: 最終AMIL モデルはMT感度 (0.946) に適合し, PPV (0.477 vs 0.448) は改善され, 高感度を維持しながら偽陽性は少なくなった。 結論: 本手法は, MTと比較して偽陽性を減少させると同時に, 同一の陽性症例を同定する能力を維持しつつ, 不確定結節症例の良性甲状腺切除を減少させる可能性が示唆された。

関連論文リスト

• Towards Non-invasive and Personalized Management of Breast Cancer Patients from Multiparametric MRI via A Large Mixture-of-Modality-Experts Model [19.252851972152957]
  本稿では,マルチパラメトリックMRI情報を統一構造内に組み込んだMOMEについて報告する。 MOMEは乳癌の正確かつ堅牢な同定を証明した。 BI-RADS 4患者の生検の必要性を7.3%減らし、AUROC0.709で3重陰性乳癌を分類し、AUROC0.694でネオアジュバント化学療法に対する病理学的完全反応を予測することができる。
  論文  参考訳（メタデータ） (2024-08-08T05:04:13Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Leveraging Transformers to Improve Breast Cancer Classification and Risk Assessment with Multi-modal and Longitudinal Data [3.982926115291704]
  マルチモーダルトランス (MMT) はマンモグラフィーと超音波を相乗的に利用するニューラルネットワークである。 MMTは、現在の検査と以前の画像を比較することで、時間的組織変化を追跡する。 5年間のリスク予測では、MMTはAUROCの0.826を達成し、従来のマンモグラフィーベースのリスクモデルより優れている。
  論文  参考訳（メタデータ） (2023-11-06T16:01:42Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• Radiomics Boosts Deep Learning Model for IPMN Classification [3.4659499358648675]
  膵管内乳頭粘液性腫瘍 (IPMN) の嚢胞は術前膵管病変であり,膵癌に進展する可能性がある。 本研究では,MRIスキャンからIPMNリスク分類のための新しいコンピュータ支援診断パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-09-11T22:41:52Z)
• Multi-view Contrastive Learning with Additive Margin for Adaptive Nasopharyngeal Carcinoma Radiotherapy Prediction [7.303184467211488]
  本稿では,付加的マージンを有する教師付き多視点コントラスト学習手法を提案する。 それぞれの患者に対して、4つの医療画像が多視点陽性の対を形成すると考えられる。 さらに、埋め込み空間はコントラスト学習によって学習される。
  論文  参考訳（メタデータ） (2022-10-27T06:21:24Z)
• Towards Confident Detection of Prostate Cancer using High Resolution Micro-ultrasound [7.826781688190151]
  経直腸超音波ガイド下生検における前立腺癌の診断は困難である。 マイクロ超音波による高周波超音波イメージングの最近の進歩は、高分解能で組織イメージングの能力を劇的に高めている。 本研究の目的は,マイクロ超音波ガイド下前立腺癌生検を対象とする,堅牢な深層学習モデルの開発である。
  論文  参考訳（メタデータ） (2022-07-21T14:00:00Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。