論文の概要: Predicting Risk of Pulmonary Fibrosis Formation in PASC Patients
- arxiv url: http://arxiv.org/abs/2505.10691v1
- Date: Thu, 15 May 2025 20:30:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-19 14:36:13.562175
- Title: Predicting Risk of Pulmonary Fibrosis Formation in PASC Patients
- Title（参考訳）: PASC患者の肺線維化の予測
- Authors: Wanying Dou, Gorkem Durak, Koushik Biswas, Ziliang Hong, Andrea Mia Bejar, Elif Keles, Kaan Akin, Sukru Mehmet Erturk, Alpay Medetalibeyoglu, Marc Sala, Alexander Misharin, Hatice Savas, Mary Salvatore, Sachin Jambawalikar, Drew Torigian, Jayaram K. Udupa, Ulas Bagci,
- Abstract要約: いわゆるLong COVID(Long COVID)として知られるPASCは、持続性または新たに出現する症状の多様さとして現れている。
本研究では, 深層学習と放射能を併用して線維化予測を行うマルチセンター胸部CT解析フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 30.23992107175403
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While the acute phase of the COVID-19 pandemic has subsided, its long-term effects persist through Post-Acute Sequelae of COVID-19 (PASC), commonly known as Long COVID. There remains substantial uncertainty regarding both its duration and optimal management strategies. PASC manifests as a diverse array of persistent or newly emerging symptoms--ranging from fatigue, dyspnea, and neurologic impairments (e.g., brain fog), to cardiovascular, pulmonary, and musculoskeletal abnormalities--that extend beyond the acute infection phase. This heterogeneous presentation poses substantial challenges for clinical assessment, diagnosis, and treatment planning. In this paper, we focus on imaging findings that may suggest fibrotic damage in the lungs, a critical manifestation characterized by scarring of lung tissue, which can potentially affect long-term respiratory function in patients with PASC. This study introduces a novel multi-center chest CT analysis framework that combines deep learning and radiomics for fibrosis prediction. Our approach leverages convolutional neural networks (CNNs) and interpretable feature extraction, achieving 82.2% accuracy and 85.5% AUC in classification tasks. We demonstrate the effectiveness of Grad-CAM visualization and radiomics-based feature analysis in providing clinically relevant insights for PASC-related lung fibrosis prediction. Our findings highlight the potential of deep learning-driven computational methods for early detection and risk assessment of PASC-related lung fibrosis--presented for the first time in the literature.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)の急性期は沈静化しているが、その長期的影響は、一般にLong COVID(Long COVID)として知られるPASC(Post-Acute Sequelae of COVID-19)を通じて継続している。
継続期間と最適管理戦略に関して、かなりの不確実性がある。
PASCは、疲労、呼吸困難、神経障害(例えば、脳の霧)から、心臓血管、肺、筋骨格異常など、急性感染の段階を超えて、様々な症状または新たな症状として現れる。
この異質なプレゼンテーションは、臨床評価、診断、治療計画に重大な課題をもたらす。
本稿では,PASC患者の長期呼吸機能に影響を及ぼすおそれのある肺組織障害を特徴とする肺線維性損傷を示唆する画像所見に焦点をあてる。
本研究では, 深層学習と放射能を併用して線維化予測を行うマルチセンター胸部CT解析フレームワークを提案する。
我々のアプローチは畳み込みニューラルネットワーク(CNN)と解釈可能な特徴抽出を活用し、分類タスクにおいて82.2%の精度と85.5%のAUCを達成する。
PASC関連肺線維症予測におけるGrad-CAMビジュアライゼーションと放射線学的特徴分析の有効性について検討した。
本研究は,PASC関連肺線維症の早期発見とリスク評価のためのディープラーニング駆動型計算法の可能性を明らかにするものである。
関連論文リスト
- Statistical and Predictive Analysis to Identify Risk Factors and Effects of Post COVID-19 Syndrome [1.33134751838052]
新型コロナウイルス(COVID-19)の症状は感染後数ヶ月持続する可能性がある。
感染の急性期における予防接種時期、患者の特徴、症状などの要因は、長期にわたる新型コロナウイルスの長期効果と強度に寄与する可能性がある。
私たちは、Lifelines COVID-19コホートのデータを使用して、線形モデル、ランダムフォレスト、勾配向上、ニューラルネットワークなど、さまざまなデータ駆動アプローチをベンチマークし、解釈します。
この結果から,ニューラルネットワーク(NN)はMAPEで最高の性能を示し,平均19%の誤差を予測できることがわかった。
論文 参考訳（メタデータ） (2025-04-29T16:34:06Z) - Detecting and clustering swallow events in esophageal long-term high-resolution manometry [48.688209040613216]
深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。
われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
論文 参考訳（メタデータ） (2024-05-02T09:41:31Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - Survival Analysis for Idiopathic Pulmonary Fibrosis using CT Images and
Incomplete Clinical Data [17.162038700963418]
特発性肺線維症(IPF)は線維性肺疾患である。
肺のCTスキャンはIPF患者の臨床的評価を通知し、疾患の進行に関する関連する情報を含む。
臨床および画像データを用いたIPF患者の生存率を予測するために,ニューラルネットワークとメモリバンクを用いたマルチモーダル手法を提案する。
論文 参考訳（メタデータ） (2022-03-21T23:48:47Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Longitudinal Quantitative Assessment of COVID-19 Infection Progression
from Chest CTs [36.71379097297172]
ボクセルレベルの感染を識別し、新型コロナウイルスの進行を可視化する新しい枠組みを提案する。
特に,参照スキャン情報を利用した縦断セグメンテーションネットワークを考案し,疾患識別の性能を向上させる。
論文 参考訳（メタデータ） (2021-03-12T12:35:11Z) - Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for
Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。
胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
論文 参考訳（メタデータ） (2021-03-06T02:16:41Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - 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) - AI-Driven CT-based quantification, staging and short-term outcome
prediction of COVID-19 pneumonia [3.672093204122992]
胸部CTはコロナウイルス感染症2019(COVID-19)肺炎の管理に広く用いられている。
CTは、新型コロナウイルス(COVID-19)肺の異常の程度を視覚的に評価することで予後に影響を及ぼす。
論文 参考訳（メタデータ） (2020-04-20T12:24:08Z)
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。