論文の概要: New tools for comparing classical and neural ODE models for tumor growth

• arxiv url: http://arxiv.org/abs/2502.07964v2
• Date: Fri, 14 Feb 2025 18:24:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 18:06:40.626427
• Title: New tools for comparing classical and neural ODE models for tumor growth
• Title（参考訳）: 腫瘍成長のための古典的および神経的ODEモデルの比較のための新しいツール
• Authors: Anthony D. Blaom, Samuel Okon,
• Abstract要約: 腫瘍成長をモデル化するための新しい計算ツールであるTormaGrowth$.$jlが導入された。 このツールは、General BertalanffyやGompertzといった標準の教科書モデルと、ニューラルODEモデルを含む新しいモデルとの比較を可能にする。 今回我々は,非小細胞肺癌と膀胱癌に対するヒトのメタスタディを再検討し,これまで報告された性能差が統計的に有意であるか否かを判定した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A new computational tool TumorGrowth$.$jl for modeling tumor growth is introduced. The tool allows the comparison of standard textbook models, such as General Bertalanffy and Gompertz, with some newer models, including, for the first time, neural ODE models. As an application, we revisit a human meta-study of non-small cell lung cancer and bladder cancer lesions, in patients undergoing two different treatment options, to determine if previously reported performance differences are statistically significant, and if newer, more complex models perform any better. In a population of examples with at least four time-volume measurements available for calibration, and an average of about 6.3, our main conclusion is that the General Bertalanffy model has superior performance, on average. However, where more measurements are available, we argue that more complex models, capable of capturing rebound and relapse behavior, may be better choices.
• Abstract（参考訳）: 新しい計算ツールであるTormaGrowth$。 腫瘍増殖をモデル化するための$jlが導入された。 このツールは、General BertalanffyやGompertzといった標準の教科書モデルと、ニューラルODEモデルを含むいくつかの新しいモデルの比較を可能にする。 そこで本研究は,非小細胞肺癌と膀胱癌に対するヒトのメタスタディを再検討し,これまで報告した性能差が統計的に有意であるか否か,さらに新しい複雑なモデルの方が良好な性能を示すかを検討した。 キャリブレーションで利用可能な少なくとも4つの時間体積測定値と平均6.3の例では、ジェネラル・ベルタランフィモデルが平均して優れた性能を持つという結論が得られた。 しかし、より多くの測定が可能であれば、リバウンドやリラプスの振る舞いを捉えることができるより複雑なモデルの方が良い選択かもしれないと我々は主張する。

関連論文リスト

• What Matters for Model Merging at Scale? [94.26607564817786]
  モデルマージは、複数の専門家モデルとより有能な単一モデルを組み合わせることを目的としている。 これまでの研究は主に、いくつかの小さなモデルをマージすることに焦点を当ててきた。 本研究は,大規模モデルマージの有用性を体系的に評価する。
  論文  参考訳（メタデータ） (2024-10-04T17:17:19Z)
• Prediction of cancer dynamics under treatment using Bayesian neural networks: A simulated study [0.0]
  我々は,治療中の癌動態を予測するために,サブポピュレーション動態の階層的ベイズモデルを構築した。 多発性骨髄腫 (MM) では, 血清M蛋白が腫瘍負担の指標としてよく知られている。
  論文  参考訳（メタデータ） (2024-05-23T12:47:19Z)
• Deep learning-based auto-segmentation of paraganglioma for growth monitoring [0.0]
  no-new-UNnet (nUNet) を用いたディープラーニングセグメンテーションモデルに基づく腫瘍体積自動計測法を提案する。 高齢者耳鼻咽喉科医の視力検査と数種類の定量的指標を用いて, モデルの性能評価を行った。 生成したモデルと,腫瘍を時間とともに追跡するリンク手順を用いて,既知の成長関数の適合度に付加的な体積測定がどう影響するかを示す。
  論文  参考訳（メタデータ） (2024-03-19T14:08:56Z)
• Cell Maps Representation For Lung Adenocarcinoma Growth Patterns Classification In Whole Slide Images [0.5906576076342179]
  肺腺癌は, 形態学的に異質な疾患であり, 5つの原発組織学的成長パターンを特徴とする。 組織タイルを5つのパターンの1つまたは非腫瘍の1つに分類できる新しい機械学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:12:51Z)
• Convolutions, Transformers, and their Ensembles for the Segmentation of Organs at Risk in Radiation Treatment of Cervical Cancer [0.0]
  子宮頸癌の放射線治療におけるOAR(Organs At Risk)のセグメンテーションの課題に答える。 我々は、異なるアーキテクチャに属するいくつかの最先端モデルと、いくつかの最先端モデルの側面を組み合わせたいくつかの新しいモデルを比較した。 モデル予測を可視化し、その出力確率を平均化し、モデル予測間のDice Coefficientを計算する。
  論文  参考訳（メタデータ） (2023-03-20T23:44:35Z)
• Cross-Model Comparative Loss for Enhancing Neuronal Utility in Language Understanding [82.46024259137823]
  幅広いタスクに対するクロスモデル比較損失を提案する。 3つの異なるNLUタスクから14のデータセットに対する広範な実験により比較損失の普遍的有効性を示す。
  論文  参考訳（メタデータ） (2023-01-10T03:04:27Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Predicting on the Edge: Identifying Where a Larger Model Does Better [61.793778186198864]
  小型モデルが最も不確実な例では,大規模モデルが最も改善されていることを示す。 小型モデルが不確実な場合,サンプルを大モデルにデフェクトするスイッチャーモデルにより,性能と資源利用の大幅な向上が達成できることを示す。
  論文  参考訳（メタデータ） (2022-02-15T18:53:14Z)
• Sparse MoEs meet Efficient Ensembles [49.313497379189315]
  このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
  論文  参考訳（メタデータ） (2021-10-07T11:58:35Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Classification of Brain Tumours in MR Images using Deep Spatiospatial Models [0.0]
  本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。 両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
  論文  参考訳（メタデータ） (2021-05-28T19:27:51Z)

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。