論文の概要: Medical AI for Early Detection of Lung Cancer: A Survey

• arxiv url: http://arxiv.org/abs/2410.14769v1
• Date: Fri, 18 Oct 2024 17:45:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:17:02.753262
• Title: Medical AI for Early Detection of Lung Cancer: A Survey
• Title（参考訳）: 肺癌早期発見のための医療AI : アンケート調査
• Authors: Guohui Cai, Ying Cai, Zeyu Zhang, Yuanzhouhan Cao, Lin Wu, Daji Ergu, Zhinbin Liao, Yang Zhao,
• Abstract要約: 肺がんは世界中で致死率と死亡率の主要な原因の1つである。 コンピュータ支援診断システム(CAD)は肺結節の検出と分類に有効であることが証明されている。 深層学習アルゴリズムは肺結節解析の精度と効率を大幅に改善した。
• 参考スコア（独自算出の注目度）: 11.90341994990241
• License:
• Abstract: Lung cancer remains one of the leading causes of morbidity and mortality worldwide, making early diagnosis critical for improving therapeutic outcomes and patient prognosis. Computer-aided diagnosis (CAD) systems, which analyze CT images, have proven effective in detecting and classifying pulmonary nodules, significantly enhancing the detection rate of early-stage lung cancer. Although traditional machine learning algorithms have been valuable, they exhibit limitations in handling complex sample data. The recent emergence of deep learning has revolutionized medical image analysis, driving substantial advancements in this field. This review focuses on recent progress in deep learning for pulmonary nodule detection, segmentation, and classification. Traditional machine learning methods, such as SVM and KNN, have shown limitations, paving the way for advanced approaches like Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), and Generative Adversarial Networks (GAN). The integration of ensemble models and novel techniques is also discussed, emphasizing the latest developments in lung cancer diagnosis. Deep learning algorithms, combined with various analytical techniques, have markedly improved the accuracy and efficiency of pulmonary nodule analysis, surpassing traditional methods, particularly in nodule classification. Although challenges remain, continuous technological advancements are expected to further strengthen the role of deep learning in medical diagnostics, especially for early lung cancer detection and diagnosis. A comprehensive list of lung cancer detection models reviewed in this work is available at https://github.com/CaiGuoHui123/Awesome-Lung-Cancer-Detection
• Abstract（参考訳）: 肺がんは世界中で致死率と死亡率の主要な原因の1つであり、早期診断は治療結果の改善と患者の予後を重要視している。 CT画像を分析するコンピュータ支援診断システム(CAD)は,早期肺癌の検出率を著しく高め,肺結節の検出・分類に有効であることが証明された。 従来の機械学習アルゴリズムは価値があるが、複雑なサンプルデータの扱いに制限がある。 近年のディープラーニングの出現は、医療画像解析に革命をもたらし、この分野でかなりの進歩をもたらした。 本総説は, 肺結節の検出, 分節, 分類におけるディープラーニングの進歩に焦点を当てたものである。 SVMやKNNといった従来の機械学習手法には制限があり、畳み込みニューラルネットワーク(CNN)やリカレントニューラルネットワーク(RNN)、ジェネレーティブ・ディバイザリ・ネットワーク(GAN)といった先進的なアプローチへの道を開いた。 アンサンブルモデルと新しい技術の統合についても論じ、肺がんの診断における最新の進展を強調した。 深層学習アルゴリズムと様々な分析手法が組み合わさって、肺結節解析の精度と効率を著しく向上させ、特に結節分類において従来の手法を超越した。 課題は残るが、特に早期肺がんの診断・診断における深層学習の役割は、継続的な技術進歩がさらに強化されることが期待されている。 本研究でレビューされた肺がん検出モデルの包括的なリストはhttps://github.com/CaiGuoHui123/Awesome-Lung-Cancer-Detectionで公開されている。

関連論文リスト

• Hybrid deep convolution model for lung cancer detection with transfer learning [0.0]
  肺がんは、世界中でがん関連死亡の原因の1つとなっている。 我々は,MSNN(Maximum Sensitivity Neural Network)と呼ばれる伝達学習を利用したハイブリッド深層畳み込みモデルを提案する。 MSNNは、感度と特異性を改善することにより、肺がん検出の精度を向上させるように設計されている。
  論文  参考訳（メタデータ） (2025-01-06T06:01:01Z)
• Advanced Lung Nodule Segmentation and Classification for Early Detection of Lung Cancer using SAM and Transfer Learning [0.0]
  本研究は,Segment Anything Model(SAM)と転写学習技術を組み合わせた肺結節セグメンテーションの革新的アプローチを提案する。 提案手法はバウンディングボックスプロンプトとビジョントランスフォーマーモデルを利用してセグメンテーション性能を向上し,高精度なDice similarity Coefficient (DSC) とIntersection over Union (IoU) のメトリクスを実現する。 以上の結果から,CT検査から肺結節を正確に抽出するモデルの有効性が示唆され,早期発見の進展と肺癌診断における患者のケア結果の改善が示唆された。
  論文  参考訳（メタデータ） (2024-12-31T18:21:57Z)
• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• Application analysis of ai technology combined with spiral CT scanning in early lung cancer screening [15.6839495538166]
  肺癌患者の5年間の生存率は、まだ20%以下であり、進行している。 近年、人工知能技術が腫瘍学に徐々に応用され始めている。 本研究は, 早期肺癌検診において, 安全かつ効率的な検診方法を見いだす目的で, 組み合わせた方法を適用した。
  論文  参考訳（メタデータ） (2024-01-26T07:58:09Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Leveraging object detection for the identification of lung cancer [0.15229257192293202]
  YOLOv5モデルは、がん性肺病変を検出するアルゴリズムの訓練に使用された。 訓練されたYOLOv5モデルは、肺癌の病変を同定し、高い精度とリコール率を示した。
  論文  参考訳（メタデータ） (2023-05-25T07:53:18Z)
• 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)
• Machine Learning Applications in Diagnosis, Treatment and Prognosis of Lung Cancer [22.84388553607303]
  本稿では, 肺癌の診断と治療のさまざまな側面を強化する機械学習によるアプローチの概要について述べる。 肺癌における機械学習の今後の応用に向けた課題と機会を強調した。
  論文  参考訳（メタデータ） (2022-03-05T17:43:57Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)

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。