論文の概要: A two-stage dual-task learning strategy for early prediction of pathological complete response to neoadjuvant chemotherapy for breast cancer using dynamic contrast-enhanced magnetic resonance images

• arxiv url: http://arxiv.org/abs/2502.00051v1
• Date: Tue, 28 Jan 2025 21:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-09 04:50:36.155561
• Title: A two-stage dual-task learning strategy for early prediction of pathological complete response to neoadjuvant chemotherapy for breast cancer using dynamic contrast-enhanced magnetic resonance images
• Title（参考訳）: ダイナミックコントラスト強調磁気共鳴画像を用いた乳がんに対する2段階二重タスク学習による治療効果の早期予測
• Authors: Bowen Jing, Jing Wang,
• Abstract要約: 病理学的完全反応の早期予測は、乳癌患者のパーソナライズされた治療を促進する。 早期磁気共鳴画像を用いたpCRの早期予測のために,深層ニューラルネットワークを訓練するための2段階のデュアルタスク学習戦略を提案した。
• 参考スコア（独自算出の注目度）: 7.909471291751286
• License:
• Abstract: Rationale and Objectives: Early prediction of pathological complete response (pCR) can facilitate personalized treatment for breast cancer patients. To improve prediction accuracy at the early time point of neoadjuvant chemotherapy, we proposed a two-stage dual-task learning strategy to train a deep neural network for early prediction of pCR using early-treatment magnetic resonance images. Methods: We developed and validated the two-stage dual-task learning strategy using the dataset from the national-wide, multi-institutional I-SPY2 clinical trial, which included dynamic contrast-enhanced magnetic resonance images acquired at three time points: pretreatment (T0), after 3 weeks (T1), and after 12 weeks of treatment (T2). First, we trained a convolutional long short-term memory network to predict pCR and extract the latent space image features at T2. At the second stage, we trained a dual-task network to simultaneously predict pCR and the image features at T2 using images from T0 and T1. This allowed us to predict pCR earlier without using images from T2. Results: The conventional single-stage single-task strategy gave an area under the receiver operating characteristic curve (AUROC) of 0.799 for pCR prediction using all the data at time points T0 and T1. By using the proposed two-stage dual-task learning strategy, the AUROC was improved to 0.820. Conclusions: The proposed two-stage dual-task learning strategy can improve model performance significantly (p=0.0025) for predicting pCR at the early stage (3rd week) of neoadjuvant chemotherapy. The early prediction model can potentially help physicians to intervene early and develop personalized plans at the early stage of chemotherapy.
• Abstract（参考訳）: Rationale and Objectives: 乳がん患者に対するパーソナライズされた治療に役立つ病理的完全反応(pCR)の早期予測。 そこで我々は, 早期磁気共鳴画像を用いたpCRの早期予測のために, 深層ニューラルネットワークを訓練するための2段階のデュアルタスク学習戦略を提案した。 方法: 全国の多施設間I-SPY2臨床試験において, 動的造影MRI画像(T0), 治療3週間後(T1), 治療12週間後(T2。 まず、畳み込み長短期記憶ネットワークを訓練し、pCRを予測し、T2における潜時空間画像の特徴を抽出した。 第2段階では,T0,T1の画像を用いて,T2におけるpCRと画像の特徴を同時に予測するデュアルタスクネットワークを訓練した。 これにより、T2の画像を使わずにpCRを早期に予測できる。 結果: 従来の単段単座戦略では, 時間点T0, T1の全データを用いたpCR予測において, 受信機動作特性曲線(AUROC)0.799以下の領域が得られた。 提案した2段階のデュアルタスク学習戦略を用いることで、AUROCは0.820に改善された。 結論: 提案した2段階二重タスク学習戦略は, ネオアジュバント化学療法の早期(第3週)におけるpCR予測において, モデル性能を有意に向上させる(p=0.0025)。 早期予測モデルは、化学療法の初期段階で医師が早期に介入し、パーソナライズされた計画を開発するのに役立つ可能性がある。

関連論文リスト

• 4D VQ-GAN: Synthesising Medical Scans at Any Time Point for Personalised Disease Progression Modelling of Idiopathic Pulmonary Fibrosis [5.926086195644801]
  我々は,IPF患者をリアルなCTボリュームで生成できるモデルである4D-VQ-GAN(4D Vector Quantated Generative Adversarial Networks)を提案する。 縦断的CT画像を生成するためのモデルの異なる構成を評価し, 結果と地中真理データを比較した。
  論文  参考訳（メタデータ） (2025-02-08T22:25:53Z)
• T2-Only Prostate Cancer Prediction by Meta-Learning from Bi-Parametric MR Imaging [39.64252838533947]
  現在の画像に基づく前立腺癌の診断には、MR T2強調画像(T2w)と拡散強調画像(DWI)の両方が必要である。 DWI配列における拡散パターンの測定には時間がかかり、アーティファクトに傾向があり、イメージングパラメータに敏感である。 本研究では,T2wシーケンスのみを推論時間に用いた機械学習(ML)手法の可能性について検討した。
  論文  参考訳（メタデータ） (2024-11-11T22:38:45Z)
• Enhancing Clinically Significant Prostate Cancer Prediction in T2-weighted Images through Transfer Learning from Breast Cancer [71.91773485443125]
  転送学習は、よりリッチなデータを持つドメインから取得した機能を活用して、限られたデータを持つドメインのパフォーマンスを向上させるテクニックである。 本稿では,T2強調画像における乳癌からの転移学習による臨床的に有意な前立腺癌予知の改善について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:57:27Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
  本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。 最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。 再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
  論文  参考訳（メタデータ） (2023-05-04T12:20:51Z)
• PD-DWI: Predicting response to neoadjuvant chemotherapy in invasive breast cancer with Physiologically-Decomposed Diffusion-Weighted MRI machine-learning model [0.0]
  DWIと臨床データからpCRを予測するための生理学的に分解されたDWI機械学習モデルPD-DWIを紹介する。 我々のモデルは、現在のリーダーボードの最良の結果と比較して、曲線下(AUC)の面積を大幅に改善します。
  論文  参考訳（メタデータ） (2022-06-12T08:59:49Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information Complementary to Pre-acquired T1w MRI [52.656075914042155]
  本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。 公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-11-11T04:04:48Z)
• DeepPrognosis: Preoperative Prediction of Pancreatic Cancer Survival and Surgical Margin via Contrast-Enhanced CT Imaging [26.162788846435365]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 3D Contrast-Enhanced Convolutional Long Short-Term Memory Network (CE-ConvLSTM) と命名されたPDAC患者の生存予測のための新しいディープニューラルネットワークを提案する。 腫瘍切除マージンに関連する特徴を学習し,生存率予測を改善することにより,予後とマージン予測の両課題を達成できるマルチタスクCNNを提案する。
  論文  参考訳（メタデータ） (2020-08-26T22:51:24Z)
• Deep learning-based prediction of response to HER2-targeted neoadjuvant chemotherapy from pre-treatment dynamic breast MRI: A multi-institutional validation study [0.5149010213385097]
  乳がんにおけるネオアジュバント療法の適応予測は, 重篤な課題である。 ディープラーニングは、乳がんの標的治療をガイドするための、効果的で信頼性の高いツールを提供する。
  論文  参考訳（メタデータ） (2020-01-22T17:54:24Z)

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。