論文の概要: Tackling Small Sample Survival Analysis via Transfer Learning: A Study of Colorectal Cancer Prognosis

• arxiv url: http://arxiv.org/abs/2501.12421v1
• Date: Tue, 21 Jan 2025 08:52:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 16:53:06.037070
• Title: Tackling Small Sample Survival Analysis via Transfer Learning: A Study of Colorectal Cancer Prognosis
• Title（参考訳）: 転移学習による小症例生存分析の試み : 大腸癌予後の検討
• Authors: Yonghao Zhao, Changtao Li, Chi Shu, Qingbin Wu, Hong Li, Chuan Xu, Tianrui Li, Ziqiang Wang, Zhipeng Luo, Yazhou He,
• Abstract要約: 本研究は,移動学習を利用した小サンプル生存分析を取り扱う。 本研究では, 共通生存モデルのための様々な移動学習手法を提案する。 データで50まで訓練されたすべてのモデルは、さらに大幅に改善された。
• 参考スコア（独自算出の注目度）: 12.786824482430662
• License:
• Abstract: Survival prognosis is crucial for medical informatics. Practitioners often confront small-sized clinical data, especially cancer patient cases, which can be insufficient to induce useful patterns for survival predictions. This study deals with small sample survival analysis by leveraging transfer learning, a useful machine learning technique that can enhance the target analysis with related knowledge pre-learned from other data. We propose and develop various transfer learning methods designed for common survival models. For parametric models such as DeepSurv, Cox-CC (Cox-based neural networks), and DeepHit (end-to-end deep learning model), we apply standard transfer learning techniques like pretraining and fine-tuning. For non-parametric models such as Random Survival Forest, we propose a new transfer survival forest (TSF) model that transfers tree structures from source tasks and fine-tunes them with target data. We evaluated the transfer learning methods on colorectal cancer (CRC) prognosis. The source data are 27,379 SEER CRC stage I patients, and the target data are 728 CRC stage I patients from the West China Hospital. When enhanced by transfer learning, Cox-CC's $C^{td}$ value was boosted from 0.7868 to 0.8111, DeepHit's from 0.8085 to 0.8135, DeepSurv's from 0.7722 to 0.8043, and RSF's from 0.7940 to 0.8297 (the highest performance). All models trained with data as small as 50 demonstrated even more significant improvement. Conclusions: Therefore, the current survival models used for cancer prognosis can be enhanced and improved by properly designed transfer learning techniques. The source code used in this study is available at https://github.com/YonghaoZhao722/TSF.
• Abstract（参考訳）: 生存予後は医療情報学にとって重要である。 実践者は小さな臨床データ、特にがん患者に直面することが多く、生存予測に有用なパターンを導き出すには不十分である。 本研究は,他データから事前学習した関連知識を用いて,対象分析を強化する機械学習技術であるトランスファーラーニングを活用することで,サンプルサバイバル分析を行う。 本研究では, 共通生存モデルのための様々な移動学習手法を提案し, 開発する。 DeepSurvやCox-CC(Coxベースのニューラルネットワーク)、DeepHit(エンドツーエンドのディープラーニングモデル)といったパラメトリックモデルに対しては、事前トレーニングや微調整といった標準的なトランスファー学習技術を適用します。 ランダムサバイバルフォレスト(Random Survival Forest)のような非パラメトリックモデルでは、ソースタスクからツリー構造を転送し、ターゲットデータでそれらを微調整する新しいトランスファーサバイバルフォレスト(TSF)モデルを提案する。 大腸癌(CRC)の予後に関する転写学習法について検討した。 ソースデータは27,379 SEER CRCステージIで,対象データは西中国病院の728 CRCステージIである。 Cox-CCの$C^{td}$値は、転送学習によって強化されると、0.7868から0.8111へ、DeepHitは0.8085から0.8135へ、DeepSurvは0.7722から0.8043へ、RCFは0.7940から0.8297(最高パフォーマンス)に引き上げられた。 データで50まで訓練されたすべてのモデルは、さらに大幅に改善された。 結論: がん予後のための現在の生存モデルは, 適切に設計された転写学習技術によって向上し, 改善することができる。 この研究で使用されたソースコードはhttps://github.com/YonghaoZhao722/TSFで公開されている。

関連論文リスト

• Fast-staged CNN Model for Accurate pulmonary diseases and Lung cancer detection [0.0]
  本研究は, 肺がん, 特に肺結節の検出を目的とした深層学習モデルと, 胸部X線写真を用いた8つの肺病理組織について検討した。 アンサンブル法とトランスファーラーニングを利用した2段階分類システムを用いて,最初のトリアージ画像を正規あるいは異常に分類する。 このモデルでは、最高の性能の精度は77%、感度は0.713、特異度は0.776、AUCスコアは0.888である。
  論文  参考訳（メタデータ） (2024-12-16T11:47:07Z)
• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission [9.719996519981333]
  コックス比例ハザード(CoxPH)、ステップワイドコックスPH、弾性ネットペナル化コックスモデル、GBM学習など、いくつかの生存分析手法の比較研究を行った。 症例スタディとして,2017年から2019年にかけて,第3次病院救急外来で入院した患者の振り返り分析を行った。 C-indexの結果は、ディープラーニングが同等のパフォーマンスを達成し、DeepSurvが最高の差別を生み出していることを示している。
  論文  参考訳（メタデータ） (2024-03-04T10:46:02Z)
• Enhanced Mortality Prediction In Patients With Subarachnoid Haemorrhage Using A Deep Learning Model Based On The Initial CT Scan [34.86503928854081]
  畳み込みニューラルネットワーク(CNN)は、画像データから高精度な予測を生成することができる。 本研究の目的は,CNN を用いたCT スキャンにより,下垂体出血患者の死亡率を予測することであった。
  論文  参考訳（メタデータ） (2023-08-25T13:33:56Z)
• Multimodal Deep Learning for Personalized Renal Cell Carcinoma Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
  腎細胞癌は生存率の低い重要な世界的な健康上の課題である。 本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。 提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
  論文  参考訳（メタデータ） (2023-07-07T13:09:07Z)
• Supervised Machine Learning for Breast Cancer Risk Factors Analysis and Survival Prediction [0.5249805590164902]
  最も効果的な治療法の選択は、最終的には乳がん生存予測に影響されるかもしれない。 本研究では,1904年の患者記録を用いて5年間の乳癌生存を機械学習を用いて予測した。
  論文  参考訳（メタデータ） (2023-04-13T12:32:14Z)
• 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)
• Learning Clinical Concepts for Predicting Risk of Progression to Severe COVID-19 [17.781861866125023]
  大手医療機関のデータを用いて、重度の新型コロナウイルスの進行を予測する生存モデルを開発する。 i) 利用可能なすべての特徴から構築された制約のないモデル,(ii) リスク予測器を訓練する前に少数の臨床概念を学習するパイプラインである。
  論文  参考訳（メタデータ） (2022-08-28T02:59:35Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• 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)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。