論文の概要: Comparative Analysis of Machine Learning Models for Lung Cancer Mutation Detection and Staging Using 3D CT Scans

• arxiv url: http://arxiv.org/abs/2505.22592v1
• Date: Wed, 28 May 2025 17:04:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.751805
• Title: Comparative Analysis of Machine Learning Models for Lung Cancer Mutation Detection and Staging Using 3D CT Scans
• Title（参考訳）: 3次元CTスキャンによる肺癌突然変異検出とステージングのための機械学習モデルの比較解析
• Authors: Yiheng Li, Francisco Carrillo-Perez, Mohammed Alawad, Olivier Gevaert,
• Abstract要約: 肺がんは世界中のがんの主要な原因であり、重要な突然変異やステージングを検出するための死亡率や非侵襲的な方法は、患者の予後を改善するのに不可欠である。 本稿では、ドメイン固有の事前トレーニングを備えた教師付きモデルであるFMCIB+XGBoostと、注意に基づくマルチインスタンス学習を備えた自己教師型モデルであるDinov2+ABMILの2つの機械学習モデルの性能を比較した。
• 参考スコア（独自算出の注目度）: 2.287415292857564
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Lung cancer is the leading cause of cancer mortality worldwide, and non-invasive methods for detecting key mutations and staging are essential for improving patient outcomes. Here, we compare the performance of two machine learning models - FMCIB+XGBoost, a supervised model with domain-specific pretraining, and Dinov2+ABMIL, a self-supervised model with attention-based multiple-instance learning - on 3D lung nodule data from the Stanford Radiogenomics and Lung-CT-PT-Dx cohorts. In the task of KRAS and EGFR mutation detection, FMCIB+XGBoost consistently outperformed Dinov2+ABMIL, achieving accuracies of 0.846 and 0.883 for KRAS and EGFR mutations, respectively. In cancer staging, Dinov2+ABMIL demonstrated competitive generalization, achieving an accuracy of 0.797 for T-stage prediction in the Lung-CT-PT-Dx cohort, suggesting SSL's adaptability across diverse datasets. Our results emphasize the clinical utility of supervised models in mutation detection and highlight the potential of SSL to improve staging generalization, while identifying areas for enhancement in mutation sensitivity.
• Abstract（参考訳）: 肺がんは世界中のがん死亡の原因であり、重要な突然変異やステージングを検出する非侵襲的な方法が患者の予後を改善するのに不可欠である。 ここでは、ドメイン固有の事前トレーニングを備えた教師付きモデルであるFMCIB+XGBoostと、スタンフォード・ラジオゲノミクスとLung-CT-PT-Dxコホートからの3次元肺結節データに基づいて、注意に基づくマルチインスタンス学習を備えた自己教師付きモデルであるDinov2+ABMILの比較を行う。 KRASとEGFRの突然変異検出のタスクにおいて、FMCIB+XGBoostは一貫してDinov2+ABMILを上回り、それぞれKRASとEGFRの突然変異に対して0.846と0.883の精度を達成した。 がんのステージングにおいて、Dinov2+ABMILは、Lung-CT-PT-Dxコホートにおいて、Tステージ予測のための0.797の精度を達成し、SSLの様々なデータセットへの適応性を示している。 本研究は,変異検出における教師付きモデルの臨床的有用性を強調し,変異感受性を高める領域を特定しつつ,ステージングの一般化を改善するためのSSLの可能性を強調した。

関連論文リスト

• Predicting Survivability of Cancer Patients with Metastatic Patterns Using Explainable AI [2.6182192515316247]
  本研究は、転移パターンを有するがん患者の生存可能性を予測するために機械学習(ML)を活用する。 MSK-METデータセットには、27種類のがんの25,775人のゲノムおよび臨床データが含まれている。 XGBoost は曲線 (AUC) が 0.82 である最高のパフォーマーとして登場した。
  論文  参考訳（メタデータ） (2025-04-07T20:48:15Z)
• Predicting Targeted Therapy Resistance in Non-Small Cell Lung Cancer Using Multimodal Machine Learning [0.5116003548817487]
  肺がんは世界中でがん死の主要な原因であり、非小細胞肺癌(NSCLC)は最も一般的な亜型である。 第3世代EGFR-チロシンキナーゼ阻害剤(TKI)であるオシメルチニブ(Osimertinib)はNSCLC患者の治療において顕著な効果を示した。 効果が確立されているにもかかわらず、薬剤耐性はオシメルチニブから完全に利益を得る上で大きな課題となる。
  論文  参考訳（メタデータ） (2025-03-31T14:47:02Z)
• Fast-staged CNN Model for Accurate pulmonary diseases and Lung cancer detection [0.0]
  本研究は, 肺がん, 特に肺結節の検出を目的とした深層学習モデルと, 胸部X線写真を用いた8つの肺病理組織について検討した。 アンサンブル法とトランスファーラーニングを利用した2段階分類システムを用いて,最初のトリアージ画像を正規あるいは異常に分類する。 このモデルでは、最高の性能の精度は77%、感度は0.713、特異度は0.776、AUCスコアは0.888である。
  論文  参考訳（メタデータ） (2024-12-16T11:47:07Z)
• Variational Autoencoders for Feature Exploration and Malignancy Prediction of Lung Lesions [0.0]
  肺がんはイギリスで21%のがん死の原因となっている。 最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。 本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
  論文  参考訳（メタデータ） (2023-11-27T11:12:33Z)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• A Hybrid Machine Learning Model for Classifying Gene Mutations in Cancer using LSTM, BiLSTM, CNN, GRU, and GloVe [0.0]
  本稿では,LSTM,BiLSTM,CNN,GRU,GloVeを相乗的に組み合わせたハイブリッドアンサンブルモデルを提案する。 提案手法はトレーニング精度80.6%,精度81.6%,リコール80.6%,F1スコア83.1%,平均二乗誤差(MSE)2.596。
  論文  参考訳（メタデータ） (2023-07-24T21:01:46Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T07:02:32Z)
• COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for Automated Diagnosis and Severity Assessment of COVID-19 [39.57518533765393]
  新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。 我々は,放射線学とNATの両方において,自動かつ同時検出と重症度評価が可能なエンドツーエンドマルチタスク学習フレームワーク(COVID-MTL)を提案する。
  論文  参考訳（メタデータ） (2020-12-10T08:30:46Z)

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。