論文の概要: xCG: Explainable Cell Graphs for Survival Prediction in Non-Small Cell Lung Cancer

• arxiv url: http://arxiv.org/abs/2411.07643v1
• Date: Tue, 12 Nov 2024 08:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:18:07.662947
• Title: xCG: Explainable Cell Graphs for Survival Prediction in Non-Small Cell Lung Cancer
• Title（参考訳）: xCG : 非小細胞肺癌の生存予測のための説明可能な細胞グラフ
• Authors: Marvin Sextro, Gabriel Dernbach, Kai Standvoss, Simon Schallenberg, Frederick Klauschen, Klaus-Robert Müller, Maximilian Alber, Lukas Ruff,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.515405477496735
• License:
• Abstract: Understanding how deep learning models predict oncology patient risk can provide critical insights into disease progression, support clinical decision-making, and pave the way for trustworthy and data-driven precision medicine. Building on recent advances in the spatial modeling of the tumor microenvironment using graph neural networks, we present an explainable cell graph (xCG) approach for survival prediction. We validate our model on a public cohort of imaging mass cytometry (IMC) data for 416 cases of lung adenocarcinoma. We explain survival predictions in terms of known phenotypes on the cell level by computing risk attributions over cell graphs, for which we propose an efficient grid-based layer-wise relevance propagation (LRP) method. Our ablation studies highlight the importance of incorporating the cancer stage and model ensembling to improve the quality of risk estimates. Our xCG method, together with the IMC data, is made publicly available to support further research.
• Abstract（参考訳）: 深層学習モデルが腫瘍学患者のリスクを予測する方法を理解することで、疾患の進行に関する重要な洞察を与え、臨床的意思決定を支援し、信頼できるデータ駆動の精密医療の道を開くことができる。 グラフニューラルネットワークを用いた腫瘍微小環境の空間的モデリングの最近の進歩に基づき、生存予測のための説明可能なセルグラフ(xCG)アプローチを提案する。 肺腺癌416例に対する画像大量サイトメトリー(IMC)データの公開コホートを用いて本モデルを検証した。 本稿では,セルグラフ上のリスク属性を計算し,セルレベルでの表現型を推定する手法を提案する。 我々のアブレーション研究は、リスク見積の品質を向上させるために、がんステージとモデルアンサンブルを組み込むことの重要性を強調している。 我々のxCG法は,IMCデータとともに,さらなる研究を支援するために公開されている。

関連論文リスト

• Embedding-based Multimodal Learning on Pan-Squamous Cell Carcinomas for Improved Survival Outcomes [0.0]
  PARADIGMは、マルチモーダルで異質なデータセットから学習し、臨床結果の予測を改善するフレームワークである。 膵扁平上皮癌においてGNNを訓練し,Moffitt Cancer Center肺SCCデータに対するアプローチを検証した。 我々のソリューションは、患者の状況を包括的に理解することを目的としており、異種データ統合と最大データビューの収束の利点についての洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-11T22:19:14Z)
• Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
  胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。 医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。 本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T21:47:13Z)
• 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)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• 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)
• DeepMMSA: A Novel Multimodal Deep Learning Method for Non-small Cell Lung Cancer Survival Analysis [8.78724404464036]
  我々は,非小細胞肺癌(NSCLC)生存率解析のための多モード深層学習法,DeepMMSAを提案する。 臨床データと組み合わせてCT画像を活用することにより、医用画像内の豊富な情報を肺がん生存情報に関連付けることができる。
  論文  参考訳（メタデータ） (2021-06-12T11:02:14Z)
• Lymph Node Graph Neural Networks for Cancer Metastasis Prediction [0.342658286826597]
  局所リンパ節に転移する既存の癌の画像特徴をグラフベースで表現する手法を提案する。 我々は,遠隔転移のリスクを正確に予測するために,エッジゲートグラフ畳み込みネットワーク(Gated-GCN)を訓練した。
  論文  参考訳（メタデータ） (2021-06-03T09:28:14Z)
• 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)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。