論文の概要: Machine learning for prediction of dose-volume histograms of organs-at-risk in prostate cancer from simple structure volume parameters

• arxiv url: http://arxiv.org/abs/2411.05378v1
• Date: Fri, 08 Nov 2024 07:19:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:54:07.389852
• Title: Machine learning for prediction of dose-volume histograms of organs-at-risk in prostate cancer from simple structure volume parameters
• Title（参考訳）: 簡単な構造容積パラメータを用いた前立腺癌における臓器の量容積ヒストグラムの予測のための機械学習
• Authors: Saheli Saha, Debasmita Banerjee, Rishi Ram, Gowtham Reddy, Debashree Guha, Arnab Sarkar, Bapi Dutta, Moses ArunSingh S, Suman Chakraborty, Indranil Mallick,
• Abstract要約: 本研究は, 対象臓器, リスク構造臓器および重複部位から, 直腸および膀胱の線量量を予測することを目的とした。 いくつかの統計的モデリング、機械学習、新しいファジィルールに基づく予測モデルについて検討し、検証した。
• 参考スコア（独自算出の注目度）: 3.08257604678684
• License:
• Abstract: Dose prediction is an area of ongoing research that facilitates radiotherapy planning. Most commercial models utilise imaging data and intense computing resources. This study aimed to predict the dose-volume of rectum and bladder from volumes of target, at-risk structure organs and their overlap regions using machine learning. Dose-volume information of 94 patients with prostate cancer planned for 6000cGy in 20 fractions was exported from the treatment planning system as text files and mined to create a training dataset. Several statistical modelling, machine learning methods, and a new fuzzy rule-based prediction (FRBP) model were explored and validated on an independent dataset of 39 patients. The median absolute error was 2.0%-3.7% for bladder and 1.7-2.4% for rectum in the 4000-6420cGy range. For 5300cGy, 5600cGy and 6000cGy, the median difference was less than 2.5% for rectum and 3.8% for bladder. The FRBP model produced errors of 1.2%, 1.3%, 0.9% and 1.6%, 1.2%, 0.1% for the rectum and bladder respectively at these dose levels. These findings indicate feasibility of obtaining accurate predictions of the clinically important dose-volume parameters for rectum and bladder using just the volumes of these structures.
• Abstract（参考訳）: 線量予測は放射線治療計画を促進する研究の分野である。 ほとんどの商用モデルは画像データと激しい計算資源を利用する。 本研究は, 対象臓器, リスク構造臓器および重複部位から, 直腸および膀胱の線量量を予測することを目的とした。 前立腺癌94例を対象に,20分で6000cGyを予定した症例をテキストファイルとして抽出し,トレーニングデータセットを作成する。 統計モデリング,機械学習,ファジィルールに基づく新しい予測(FRBP)モデルを39名の患者から独立したデータセットを用いて検討,検証した。 絶対誤差の平均値は膀胱が2.0%-3.7%、直腸が1.7-2.4%であった。 5300cGy,5600cGy,6000cGyでは,直腸では2.5%,膀胱では3.8%であった。 FRBPモデルの誤差は1.2%, 1.3%, 0.9%, 1.6%, 1.2%, 0.1%であった。 以上の結果より, 直腸および膀胱の臨床的に重要な線量パラメータの正確な予測が可能であることが示唆された。

関連論文リスト

• Utilizing Machine Learning Models to Predict Acute Kidney Injury in Septic Patients from MIMIC-III Database [0.0]
  セプシス(Sepsis)は、体が感染に対して正しく反応しない重篤な疾患である。 敗血症患者では、約50%が急性腎障害(AKI)を発症する。 敗血症患者の特徴に基づいてAKIを正確に予測できるモデルは早期発見と介入に不可欠である。
  論文  参考訳（メタデータ） (2024-12-04T22:05:35Z)
• 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)
• Pulmonologists-Level lung cancer detection based on standard blood test results and smoking status using an explainable machine learning approach [2.545682175108217]
  肺癌(LC)は、主に後期診断によるがん関連死亡の主な原因である。 近年, 機械学習は, 様々な疾患の発見を容易にすることによって, 医療において大きな可能性を秘めている。 LC検出のための動的アンサンブル選択(DES)に基づくMLモデルを開発した。
  論文  参考訳（メタデータ） (2024-02-14T22:00:57Z)
• 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)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Machine Learning-Assisted Recurrence Prediction for Early-Stage Non-Small-Cell Lung Cancer Patients [10.127130900852405]
  再発リスクによるがん患者の成層化は、自身のケアをパーソナライズすることができる。 本研究では,早期非小細胞肺癌患者の再発確率を機械学習を用いて推定する方法を提案する。
  論文  参考訳（メタデータ） (2022-11-17T19:34:16Z)
• Using Deep Learning to Predict Beam-Tunable Pareto Optimal Dose Distribution for Intensity Modulated Radiation Therapy [0.5735035463793008]
  我々は、2つの異なるビーム構成モードで予測する2つのディープラーニングネットワークを実装し、比較する。 モデルIとモデルIIの2つのモデルについて検討・比較を行った。 我々の深層学習モデルは、地上の真理線量分布と正確に一致したボクセルレベルの線量分布を予測した。
  論文  参考訳（メタデータ） (2020-06-19T17:15:45Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• Lung Infection Quantification of COVID-19 in CT Images with Deep Learning [41.35413216175024]
  深層学習システムは、関心のある感染症領域を自動的に定量化するために開発された。 感染領域分割のための放射線科医を支援するためのループ内ヒト戦略
  論文  参考訳（メタデータ） (2020-03-10T11:58:40Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。