論文の概要: Improving Colorectal Cancer Screening and Risk Assessment through Predictive Modeling on Medical Images and Records
- arxiv url: http://arxiv.org/abs/2410.09880v1
- Date: Sun, 13 Oct 2024 15:39:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 04:23:08.569482
- Title: Improving Colorectal Cancer Screening and Risk Assessment through Predictive Modeling on Medical Images and Records
- Title（参考訳）: 医用画像と記録の予測モデルによる大腸癌検診とリスクアセスメントの改善
- Authors: Shuai Jiang, Christina Robinson, Joseph Anderson, William Hisey, Lynn Butterly, Arief Suriawinata, Saeed Hassanpour,
- Abstract要約: 大腸内視鏡検査は大腸癌(CRC)に進展する前に大腸ポリープの発見と除去に有効な方法である
大腸ポリープの病理組織学的特徴の多様性は,大腸内視鏡の経過観察に困難を呈する。
デジタル病理の進化と近年の深層学習の進歩は、追加の医療記録情報を含む付加的な利益を調査するユニークな機会となる。
- 参考スコア（独自算出の注目度）: 2.675031613330622
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Colonoscopy screening is an effective method to find and remove colon polyps before they can develop into colorectal cancer (CRC). Current follow-up recommendations, as outlined by the U.S. Multi-Society Task Force for individuals found to have polyps, primarily rely on histopathological characteristics, neglecting other significant CRC risk factors. Moreover, the considerable variability in colorectal polyp characterization among pathologists poses challenges in effective colonoscopy follow-up or surveillance. The evolution of digital pathology and recent advancements in deep learning provide a unique opportunity to investigate the added benefits of including the additional medical record information and automatic processing of pathology slides using computer vision techniques in the calculation of future CRC risk. Leveraging the New Hampshire Colonoscopy Registry's extensive dataset, many with longitudinal colonoscopy follow-up information, we adapted our recently developed transformer-based model for histopathology image analysis in 5-year CRC risk prediction. Additionally, we investigated various multimodal fusion techniques, combining medical record information with deep learning derived risk estimates. Our findings reveal that training a transformer model to predict intermediate clinical variables contributes to enhancing 5-year CRC risk prediction performance, with an AUC of 0.630 comparing to direct prediction. Furthermore, the fusion of imaging and non-imaging features, while not requiring manual inspection of microscopy images, demonstrates improved predictive capabilities for 5-year CRC risk comparing to variables extracted from colonoscopy procedure and microscopy findings. This study signifies the potential of integrating diverse data sources and advanced computational techniques in transforming the accuracy and effectiveness of future CRC risk assessments.
- Abstract（参考訳）: 大腸内視鏡検査は大腸癌(CRC)に進展する前に大腸ポリープの発見と除去に有効な方法である。
現在のフォローアップ・レコメンデーションは、米国多社会タスクフォース(Multi-Society Task Force)によって概説されているように、ポリープを持つことが判明し、主に病理学的特徴に依存しており、他の重要なCRCリスク要因を無視している。
さらに,大腸ポリープの病理組織学的特徴の多様性は,大腸内視鏡の経過観察や観察に困難を呈している。
デジタル病理の進化と近年の深層学習の進歩は、将来のCRCリスクの計算にコンピュータビジョン技術を用いて、追加の医療記録情報や病理スライドの自動処理を含む、追加の利点を調査するユニークな機会を提供する。
5年間のCRCリスク予測において,ニューハンプシャー・コロノスコープ・レジストレーションの広範囲なデータセット,特に経年的大腸内視鏡追跡情報を活用することで,最近開発されたトランスフォーマー・ベース・モデルを用いて病理組織像解析を行った。
さらに,医療記録情報と深層学習によるリスク推定を組み合わせ,様々なマルチモーダル融合手法について検討した。
その結果,中間臨床変数を予測するためのトランスフォーマーモデルをトレーニングすることは,5年間のCRCリスク予測性能の向上に寄与し,AUCは0.630であることがわかった。
さらに,画像と非画像の融合は,顕微鏡画像の手動検査を必要とせず,大腸内視鏡および顕微鏡所見から抽出した変数と比較して,5年間のCRCリスクに対する予測能力の向上が示されている。
本研究は,将来のCRCリスク評価の精度と妥当性を変換する上で,多様なデータソースと高度な計算技術を統合する可能性を示す。
関連論文リスト
- xCG: Explainable Cell Graphs for Survival Prediction in Non-Small Cell Lung Cancer [10.515405477496735]
生存予測のための説明可能なセルグラフ(xCG)を提案する。
肺腺癌416例に対する画像量(IMC)データの公開コホートによる検討を行った。
論文 参考訳（メタデータ） (2024-11-12T08:53:49Z) - Re-identification from histopathology images [0.4154350202907906]
本研究は, 比較的単純な深層学習アルゴリズムでも, 大規模な病理組織学データセットの患者を相当精度で再同定できることを実証する。
本研究は, 患者プライバシに対するリスク評価手法について, 発表前のリスク評価手法を定式化した。
論文 参考訳（メタデータ） (2024-03-19T15:15:19Z) - MM-SurvNet: Deep Learning-Based Survival Risk Stratification in Breast
Cancer Through Multimodal Data Fusion [18.395418853966266]
乳がん生存リスク階層化のための新しい深層学習手法を提案する。
画像特徴抽出には視覚変換器、特にMaxViTモデルを使用し、患者レベルでの複雑な画像関係のキャプチャには自己注意を用いる。
二重クロスアテンション機構はこれらの特徴を遺伝データと融合させ、臨床データを最終層に組み込んで予測精度を高める。
論文 参考訳（メタデータ） (2024-02-19T02:31:36Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - Pseudo-domains in imaging data improve prediction of future disease
status in multi-center studies [57.712855968194305]
本研究では,多数の異なるスキャンサイトと,各サイト毎のサンプル数に対処可能な予測手法を提案する。
以上の結果より,初診後48週,12週間の肝疾患経過観察の結果から,聴力低下の予測精度が向上した。
論文 参考訳（メタデータ） (2021-11-15T09:40:54Z) - Colonoscopy Polyp Detection and Classification: Dataset Creation and
Comparative Evaluations [12.160373952983319]
大腸癌(CRC)は、死亡率の高いがんの最も一般的なタイプの1つです。
コンピュータ支援ポリープ検出・分類システムは大腸内視鏡の有用性を著しく高めることができる。
この研究は、ポリープ検出と分類の将来の研究の基礎となることができる。
論文 参考訳（メタデータ） (2021-04-22T01:57:35Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - A Machine Learning Challenge for Prognostic Modelling in Head and Neck
Cancer Using Multi-modal Data [0.10651507097431492]
我々は,頭頸部癌における生存予測の精度向上を目的として,機関的機械学習挑戦を行った。
画像と臨床データを用いて,12種類の提出物を別々に,あるいは組み合わせて比較した。
勝利アプローチは臨床データと腫瘍容積の非線形マルチタスク学習を用い、2年間の生存予測において高い予後精度を達成した。
論文 参考訳（メタデータ） (2021-01-28T11:20:34Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。