論文の概要: Multi-modal AI for comprehensive breast cancer prognostication

• arxiv url: http://arxiv.org/abs/2410.21256v1
• Date: Mon, 28 Oct 2024 17:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:15:46.513174
• Title: Multi-modal AI for comprehensive breast cancer prognostication
• Title（参考訳）: 包括的乳癌予後診断のためのマルチモーダルAI
• Authors: Jan Witowski, Ken Zeng, Joseph Cappadona, Jailan Elayoubi, Elena Diana Chiru, Nancy Chan, Young-Joon Kang, Frederick Howard, Irina Ostrovnaya, Carlos Fernandez-Granda, Freya Schnabel, Ugur Ozerdem, Kangning Liu, Zoe Steinsnyder, Nitya Thakore, Mohammad Sadic, Frank Yeung, Elisa Liu, Theodore Hill, Benjamin Swett, Danielle Rigau, Andrew Clayburn, Valerie Speirs, Marcus Vetter, Lina Sojak, Simone Muenst Soysal, Daniel Baumhoer, Khalil Choucair, Yu Zong, Lina Daoud, Anas Saad, Waleed Abdulsattar, Rafic Beydoun, Jia-Wern Pan, Haslina Makmur, Soo-Hwang Teo, Linda Ma Pak, Victor Angel, Dovile Zilenaite-Petrulaitiene, Arvydas Laurinavicius, Natalie Klar, Brian D. Piening, Carlo Bifulco, Sun-Young Jun, Jae Pak Yi, Su Hyun Lim, Adam Brufsky, Francisco J. Esteva, Lajos Pusztai, Yann LeCun, Krzysztof J. Geras,
• Abstract要約: そこで我々は,新しいAI手法を用いて,デジタル病理と臨床特性に基づく乳癌患者層化試験を開発した。 この検査は15のコホートにまたがる8,161人の乳癌患者のデータを用いて開発・評価された。 その結果、我々のAIテストは精度を向上し、幅広い患者に適用性を高め、治療選択ツールへのアクセスを向上させることが示唆された。
• 参考スコア（独自算出の注目度）: 18.691704371847855
• License:
• Abstract: Treatment selection in breast cancer is guided by molecular subtypes and clinical characteristics. Recurrence risk assessment plays a crucial role in personalizing treatment. Current methods, including genomic assays, have limited accuracy and clinical utility, leading to suboptimal decisions for many patients. We developed a test for breast cancer patient stratification based on digital pathology and clinical characteristics using novel AI methods. Specifically, we utilized a vision transformer-based pan-cancer foundation model trained with self-supervised learning to extract features from digitized H&E-stained slides. These features were integrated with clinical data to form a multi-modal AI test predicting cancer recurrence and death. The test was developed and evaluated using data from a total of 8,161 breast cancer patients across 15 cohorts originating from seven countries. Of these, 3,502 patients from five cohorts were used exclusively for evaluation, while the remaining patients were used for training. Our test accurately predicted our primary endpoint, disease-free interval, in the five external cohorts (C-index: 0.71 [0.68-0.75], HR: 3.63 [3.02-4.37, p<0.01]). In a direct comparison (N=858), the AI test was more accurate than Oncotype DX, the standard-of-care 21-gene assay, with a C-index of 0.67 [0.61-0.74] versus 0.61 [0.49-0.73], respectively. Additionally, the AI test added independent information to Oncotype DX in a multivariate analysis (HR: 3.11 [1.91-5.09, p<0.01)]). The test demonstrated robust accuracy across all major breast cancer subtypes, including TNBC (C-index: 0.71 [0.62-0.81], HR: 3.81 [2.35-6.17, p=0.02]), where no diagnostic tools are currently recommended by clinical guidelines. These results suggest that our AI test can improve accuracy, extend applicability to a wider range of patients, and enhance access to treatment selection tools.
• Abstract（参考訳）: 乳癌における治療選択は、分子サブタイプと臨床特性によって誘導される。 再発リスク評価は治療のパーソナライズに重要な役割を果たす。 ゲノムアッセイを含む現在の方法は、精度と臨床的有用性に限界があり、多くの患者にとって最適以下の決定を下す。 そこで我々は,新しいAI手法を用いて,デジタル病理と臨床特性に基づく乳癌患者層化試験を開発した。 具体的には、自己教師付き学習で訓練された視覚変換器に基づくパンキャンセ基礎モデルを用いて、デジタル化されたH&Eスタイリングスライドから特徴を抽出した。 これらの特徴は臨床データと統合され、がんの再発と死を予測するマルチモーダルAIテストを形成した。 7ヶ国から分離した15のコホートで計8,161人の乳癌患者から得られたデータを用いて,本試験を開発・評価した。 そのうち5つのコホートから3,502人の患者が評価にのみ使用され、残りの患者は訓練に使用された。 C-index: 0.71 [0.68-0.75], HR: 3.63 [3.02-4.37, p<0.01]。 直接比較(N=858)では、AIテストは標準的な21遺伝子アッセイであるOncotype DXよりも正確で、Cインデックスはそれぞれ0.67[0.61-0.74]と0.61[0.49-0.73]である。 さらに、AIテストは多変量解析(HR: 3.11 [1.91-5.09, p<0.01)])でOncotype DXに独立した情報を追加した。 TNBC(C-index: 0.71 [0.62-0.81], HR: 3.81 [2.35-6.17, p=0.02])を含む主要乳がんサブタイプすべてで、診断ツールが推奨されていない。 これらの結果から,我々のAIテストは精度を向上し,広範囲の患者に適用性を高め,治療選択ツールへのアクセスを向上させることが示唆された。

関連論文リスト

• Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
  患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。 われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
  論文  参考訳（メタデータ） (2024-10-14T13:49:04Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Leveraging cough sounds to optimize chest x-ray usage in low-resource settings [35.63955045151504]
  インド・ビハール州プルニアのクリスチャン・メディカル・センターと病院で胸部X線検査を行った137例について前向きに収集した。 それぞれの患者は放射線治療中に少なくとも5つのうっ血を投与した。 胸部X線異常を予測するために, 3つのモデルを開発し, 試験し, 比較した。
  論文  参考訳（メタデータ） (2024-02-13T20:54:55Z)
• Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
  本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。 提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
  論文  参考訳（メタデータ） (2024-01-28T23:33:56Z)
• Clinical Melanoma Diagnosis with Artificial Intelligence: Insights from a Prospective Multicenter Study [1.2397589403129072]
  AIはメラノーマの検出を強化するのに役立つことが証明されている。 現存する研究は、サンプルサイズが低いこと、同質なデータセットが多すぎること、希少なメラノーマ亜型の欠如によって制限されている。 メラノーマの診断精度と皮膚科医の診断精度を比較検討し, 確立されたメラノーマ検出用オープンソースアルゴリズムである「All Data is Ext」(ADAE)を評価した。
  論文  参考訳（メタデータ） (2024-01-25T14:03:54Z)
• Cluster-Induced Mask Transformers for Effective Opportunistic Gastric Cancer Screening on Non-contrast CT Scans [38.46196471197819]
  世界第3位の死因は胃癌である。 既存の方法は侵襲的であり、高価であり、早期胃癌を特定する感度が欠如している。 マルチタスク方式で腫瘍を共同分割し異常を分類する新規なクラスタ誘導型マスクトランスを提案する。
  論文  参考訳（メタデータ） (2023-07-10T12:49:36Z)
• A new methodology to predict the oncotype scores based on clinico-pathological data with similar tumor profiles [0.0]
  Oncotype DX (ODX) は乳がんの分子検査である。 本研究の目的は,医師の意思決定を支援する新しい手法を提案することである。
  論文  参考訳（メタデータ） (2023-03-13T10:08:13Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• 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)
• CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans [36.093580055848186]
  肺腺癌(LAUC)は近年最も多い疾患である。 肺結節の侵襲性に関するタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減させる。 LAUCの浸潤度を評価し,予測するための主要な画像モダリティは胸部CTである。 本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。
  論文  参考訳（メタデータ） (2021-10-17T04:37:24Z)
• Predicting the risk of pancreatic cancer with a CT-based ensemble AI algorithm [0.0]
  膵癌は致死性疾患であり、診断が困難であり、予後不良と死亡率が高い。 非造影CTによるあらゆる膵病変の普遍的癌リスクを予測するために,アンサンブルAIアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-03T06:06:43Z)

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。