論文の概要: Generalizable Cervical Cancer Screening via Large-scale Pretraining and Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2502.09662v1
• Date: Wed, 12 Feb 2025 09:47:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-17 18:06:31.650334
• Title: Generalizable Cervical Cancer Screening via Large-scale Pretraining and Test-Time Adaptation
• Title（参考訳）: 大規模事前訓練とテスト時間適応による全身性頸部がん検診
• Authors: Hao Jiang, Cheng Jin, Huangjing Lin, Yanning Zhou, Xi Wang, Jiabo Ma, Li Ding, Jun Hou, Runsheng Liu, Zhizhong Chai, Luyang Luo, Huijuan Shi, Yinling Qian, Qiong Wang, Changzhong Li, Anjia Han, Ronald Cheong Kin Chan, Hao Chen,
• Abstract要約: 子宮頸癌は女性の生殖系において主要な悪性腫瘍である。 現在のシステムは、複雑な臨床シナリオにおける一般化可能性に苦慮している。 本稿では,事前訓練と適応に基づく一般化可能な頸部がんスクリーニングパラダイムであるSmart-CCSを紹介する。
• 参考スコア（独自算出の注目度）: 15.508918130734997
• License:
• Abstract: Cervical cancer is a leading malignancy in female reproductive system. While AI-assisted cytology offers a cost-effective and non-invasive screening solution, current systems struggle with generalizability in complex clinical scenarios. To address this issue, we introduced Smart-CCS, a generalizable Cervical Cancer Screening paradigm based on pretraining and adaptation to create robust and generalizable screening systems. To develop and validate Smart-CCS, we first curated a large-scale, multi-center dataset named CCS-127K, which comprises a total of 127,471 cervical cytology whole-slide images collected from 48 medical centers. By leveraging large-scale self-supervised pretraining, our CCS models are equipped with strong generalization capability, potentially generalizing across diverse scenarios. Then, we incorporated test-time adaptation to specifically optimize the trained CCS model for complex clinical settings, which adapts and refines predictions, improving real-world applicability. We conducted large-scale system evaluation among various cohorts. In retrospective cohorts, Smart-CCS achieved an overall area under the curve (AUC) value of 0.965 and sensitivity of 0.913 for cancer screening on 11 internal test datasets. In external testing, system performance maintained high at 0.950 AUC across 6 independent test datasets. In prospective cohorts, our Smart-CCS achieved AUCs of 0.947, 0.924, and 0.986 in three prospective centers, respectively. Moreover, the system demonstrated superior sensitivity in diagnosing cervical cancer, confirming the accuracy of our cancer screening results by using histology findings for validation. Interpretability analysis with cell and slide predictions further indicated that the system's decision-making aligns with clinical practice. Smart-CCS represents a significant advancement in cancer screening across diverse clinical contexts.
• Abstract（参考訳）: 子宮頸癌は女性の生殖系において主要な悪性腫瘍である。 AI支援細胞診はコスト効率が高く非侵襲的なスクリーニングソリューションを提供するが、現在のシステムは複雑な臨床シナリオにおける一般化性に苦慮している。 この問題に対処するため,我々は,より堅牢で汎用的なスクリーニングシステムを構築するために,事前訓練と適応に基づく一般化可能な頸部がんスクリーニングパラダイムであるSmart-CCSを導入した。 Smart-CCSの開発と評価のために,48の医療センターから収集した127,471個の頚部細胞診全スライディング画像からなる大規模マルチセンターデータセットCCS-127Kを最初にキュレートした。 大規模自己監督型事前学習を活用することで,CCSモデルには強力な一般化能力が備わっており,多種多様なシナリオにまたがる一般化が期待できる。 そこで我々は,複雑な臨床環境に適応し,予測を洗練し,現実の応用性を向上させるために,トレーニング済みのCCSモデルを特に最適化するために,テスト時適応を組み込んだ。 各種コホートにおける大規模システム評価を行った。 振り返りコホートでは、Smart-CCSは、曲線(AUC)値0.965の全体領域と、11の内部テストデータセットのがんスクリーニングに対する0.913の感度を達成した。 外部テストでは、システムパフォーマンスは6つの独立したテストデータセットに対して0.950 AUCで維持された。 今後のコホートでは,スマートCCSは3つのセンターでそれぞれ0.947,0.924,0.986のAUCを達成した。 また, 子宮頸癌の診断に優れた感度を示し, 病理組織学的所見を用いて検診結果の精度を確認した。 細胞およびスライド予測による解釈可能性分析により, システムの意思決定が臨床実践と一致していることが示唆された。 Smart-CCSは、様々な臨床状況におけるがんスクリーニングの著しい進歩を示す。

関連論文リスト

• Novel Clinical-Grade Prostate Cancer Detection and Grading Model: Development and Prospective Validation Using Real World Data, with Performance Assessment on IHC Requested Cases [1.9729379339863824]
  本研究では,前立腺癌検出,グレーディング,ワークフロー最適化のための制度的に開発されたシステムの性能について検討した。 We developed model for cancer detection, grading and screening of equivocal case for IHC ordering。
  論文  参考訳（メタデータ） (2024-10-31T05:29:18Z)
• AI-assisted prostate cancer detection and localisation on biparametric MR by classifying radiologist-positives [5.75804178993065]
  本稿では,がん診断の総合的精度を向上させるためのディープラーニングモデルを提案する。 一つのボクセルレベルの分類モデルを構築し、単純なパーセンテージ閾値で正のケースを判定する。 2つの臨床データから得られた実験から,提案手法が診断精度を向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-30T14:59:57Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• 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)
• Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
  本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。 提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
  論文  参考訳（メタデータ） (2024-01-28T23:33:56Z)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep Convolutional Neural Network Design for Detection of COVID-19 Patient Cases from Point-of-care Ultrasound Imaging [101.27276001592101]
  我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。 実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。 リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
  論文  参考訳（メタデータ） (2021-08-05T16:47:33Z)
• Clinical prediction system of complications among COVID-19 patients: a development and validation retrospective multicentre study [0.3569980414613667]
  2020年4月1日から4月30日までにUAEのアブダビ(AD)で18施設に入院した3,352人の患者から収集したデータを用いた。 最初の24時間に収集されたデータを用いて、機械学習ベースの予後システムは、入院中に7つの合併症を発生させるリスクを予測する。 このシステムは、すべての合併症と両方の領域にわたって良好な精度を達成する。
  論文  参考訳（メタデータ） (2020-11-28T18:16:23Z)

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。