論文の概要: Deep Learning-Based Quantitative Assessment of Renal Chronicity Indices in Lupus Nephritis

• arxiv url: http://arxiv.org/abs/2503.21818v1
• Date: Wed, 26 Mar 2025 04:20:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:31:33.718439
• Title: Deep Learning-Based Quantitative Assessment of Renal Chronicity Indices in Lupus Nephritis
• Title（参考訳）: 深層学習によるループス腎炎の腎慢性度指標の定量的評価
• Authors: Tianqi Tu, Hui Wang, Jiangbo Pei, Xiaojuan Yu, Aidong Men, Suxia Wang, Qingchao Chen, Ying Tan, Feng Yu, Minghui Zhao,
• Abstract要約: ループス腎炎 (LN) 患者の長期予後の予測因子として, 腎慢性指数 (CI) が同定されている。 本研究の目的は、CIの評価を自動化し、疾患特異的の観点から貴重な予後洞察を提供するディープラーニングパイプラインを開発することである。
• 参考スコア（独自算出の注目度）: 13.486989114405974
• License:
• Abstract: Background: Renal chronicity indices (CI) have been identified as strong predictors of long-term outcomes in lupus nephritis (LN) patients. However, assessment by pathologists is hindered by challenges such as substantial time requirements, high interobserver variation, and susceptibility to fatigue. This study aims to develop an effective deep learning (DL) pipeline that automates the assessment of CI and provides valuable prognostic insights from a disease-specific perspective. Methods: We curated a dataset comprising 282 slides obtained from 141 patients across two independent cohorts with a complete 10-years follow-up. Our DL pipeline was developed on 60 slides (22,410 patch images) from 30 patients in the training cohort and evaluated on both an internal testing set (148 slides, 77,605 patch images) and an external testing set (74 slides, 27,522 patch images). Results: The study included two cohorts with slight demographic differences, particularly in age and hemoglobin levels. The DL pipeline showed high segmentation performance across tissue compartments and histopathologic lesions, outperforming state-of-the-art methods. The DL pipeline also demonstrated a strong correlation with pathologists in assessing CI, significantly improving interobserver agreement. Additionally, the DL pipeline enhanced prognostic accuracy, particularly in outcome prediction, when combined with clinical parameters and pathologist-assessed CIs Conclusions: The DL pipeline demonstrated accuracy and efficiency in assessing CI in LN, showing promise in improving interobserver agreement among pathologists. It also exhibited significant value in prognostic analysis and enhancing outcome prediction in LN patients, offering a valuable tool for clinical decision-making.
• Abstract（参考訳）: 背景:慢性腎症(CI)はループス腎炎(LN)患者の長期予後の強い予測因子として同定されている。 しかし、病理学者による評価は、相当な時間要件、高いオブザーバー間変動、疲労に対する感受性といった課題によって妨げられている。 本研究の目的は、CIの評価を自動化する効果的なディープラーニング(DL)パイプラインを開発し、疾患特異的な視点から貴重な予後洞察を提供することである。 方法:2つの独立したコホートにまたがる141人の患者から得られた282のスライドから10年間の経過観察を行った。 トレーニングコホート中の30人の患者60枚のスライド(22,410枚のパッチ画像)でDLパイプラインを開発し,内部テストセット(148枚のスライド,77,605枚のパッチ画像)と外部テストセット(74枚のスライド,27,522枚のパッチ画像)で評価した。 結果: 年齢, ヘモグロビンの2種類のコホートについて検討した。 DLパイプラインは, 組織区画, 病理組織学的病変に対して高いセグメンテーション性能を示し, 最先端の方法よりも優れていた。 DLパイプラインはまた、CIの評価において病理学者と強い相関を示し、オブザーバ間の合意を大幅に改善した。 さらに, DLパイプラインは, 予後の精度, 特に予後予測において, 臨床パラメータと病理学者が評価したCIs結論: DLパイプラインは, LNにおけるCI評価の精度と効率を実証し, 病理医間のサーバ間合意を改善する可能性を示唆した。 また,LN患者の予後分析や予後予測に有意な意義が認められ,臨床診断に有用なツールとなった。

関連論文リスト

• Testing Causal Explanations: A Case Study for Understanding the Effect of Interventions on Chronic Kidney Disease [1.2449538970962482]
  我々は大規模な電子健康記録データセットを用いた方法論を開発した。 回帰不連続性の原理は、専門家主導の介入をテストするためにランダム化されたデータサブセットを導出するために用いられた。 この方法論は、実際のEHRデータを用いて、人口レベルの洞察を提供し、医療提供の改善を知らせる方法を示している。
  論文  参考訳（メタデータ） (2024-10-15T20:34:36Z)
• Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
  10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。 24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。 2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
  論文  参考訳（メタデータ） (2024-10-02T03:21:01Z)
• AI Age Discrepancy: A Novel Parameter for Frailty Assessment in Kidney Tumor Patients [3.2441121935479877]
  本稿では,術前腹部CT検査の機械学習解析から得られた新しい指標であるAI Age Discrepancyを紹介する。 高いAI年齢差は、確立された要因とは無関係に、長期入院と総合生存率の低下と大きく関連している。
  論文  参考訳（メタデータ） (2024-06-29T13:15:05Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Predicting Outcomes in Long COVID Patients with Spatiotemporal Attention [0.6091702876917281]
  ロングウイルス(Long COVID-19)は、新型コロナウイルス(COVID-19)の後継の一般的な用語である。 新型コロナウイルスの深刻な長期合併症でコホートを特定すれば、治療計画や資源確保に役立つ可能性がある。 時系列データから結果を予測するのは難しい。 時間次元と特徴空間から重み付けする時間的注意機構の提案
  論文  参考訳（メタデータ） (2023-07-07T19:38:45Z)
• A causal learning framework for the analysis and interpretation of COVID-19 clinical data [7.256237785391623]
  ワークフローは、BSLを通じて患者の結果の主な原因を特定する、多段階のアプローチから成り立っている。 特徴量の多いCOVID-19データセットに対する我々のアプローチを評価し、提案フレームワークが結果に共同貢献する多要素プロセスのスキーマ的概要を提供することを示す。 対象者の85%の結果を3つの特徴のみに基づいて正確に予測する手法を考案した。
  論文  参考訳（メタデータ） (2021-05-14T15:58:18Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)
• COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
  胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。 本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
  論文  参考訳（メタデータ） (2020-05-26T16:33:52Z)

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。