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/2410.09880v2
• Date: Sun, 13 Apr 2025 19:21:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:46:43.727808
• 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: 大腸内視鏡検査による大腸癌進展前のポリープの同定 現在のフォローアップガイドラインは、主に他の重要なリスク要因を見渡す機能に依存しています。 組織像解析にトランスフォーマーを用いたモデルを適用し,5年間のCRCリスクを予測した。
• 参考スコア（独自算出の注目度）: 2.675031613330622
• License:
• Abstract: Colonoscopy screening effectively identifies and removes polyps before they progress to colorectal cancer (CRC), but current follow-up guidelines rely primarily on histopathological features, overlooking other important CRC risk factors. Variability in polyp characterization among pathologists also hinders consistent surveillance decisions. Advances in digital pathology and deep learning enable the integration of pathology slides and medical records for more accurate CRC risk prediction. Using data from the New Hampshire Colonoscopy Registry, including longitudinal follow-up, we adapted a transformer-based model for histopathology image analysis to predict 5-year CRC risk. We further explored multi-modal fusion strategies to combine clinical records with deep learning-derived image features. Training the model to predict intermediate clinical variables improved 5-year CRC risk prediction (AUC = 0.630) compared to direct prediction (AUC = 0.615, p = 0.013). Incorporating both imaging and non-imaging data, without requiring manual slide review, further improved performance (AUC = 0.674) compared to traditional features from colonoscopy and microscopy reports (AUC = 0.655, p = 0.001). These results highlight the value of integrating diverse data modalities with computational methods to enhance CRC risk stratification.
• Abstract（参考訳）: 大腸内視鏡検査は大腸癌(CRC)の進行前にポリープを効果的に同定・除去するが、現在の経過観察ガイドラインは主に病理組織学的特徴に依存しており、他の重要なCRCの危険因子を見落としている。 病理学者のポリープ特性の多様性は、一貫した監視決定を妨げている。 デジタル病理学とディープラーニングの進歩により、より正確なCRCリスク予測のための病理スライドと医療記録の統合が可能になる。 縦断的追跡を含むニューハンプシャー植民地内視鏡登録所のデータを用いて, 5年間のCRCリスクを予測するために, 組織像解析にトランスフォーマーを用いたモデルを適用した。 さらに,臨床記録と深層学習画像の特徴を組み合わせたマルチモーダル融合戦略について検討した。 中間臨床変数予測モデルのトレーニングでは, 5年間のCRCリスク予測(AUC = 0.630)が, 直接予測(AUC = 0.615, p = 0.013)に比べて改善した。 手動のスライドレビューを必要とせず、画像データと非画像データを併用することで、大腸内視鏡や顕微鏡検査による従来の特徴(AUC = 0.655, p = 0.001)と比較して、パフォーマンスがさらに向上した(AUC = 0.674)。 これらの結果は,CRCのリスク階層化を高めるために,多様なデータモダリティと計算手法を統合することの価値を強調した。

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。