論文の概要: Robust Semi-Supervised CT Radiomics for Lung Cancer Prognosis: Cost-Effective Learning with Limited Labels and SHAP Interpretation

• arxiv url: http://arxiv.org/abs/2507.08189v1
• Date: Thu, 10 Jul 2025 21:57:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.184938
• Title: Robust Semi-Supervised CT Radiomics for Lung Cancer Prognosis: Cost-Effective Learning with Limited Labels and SHAP Interpretation
• Title（参考訳）: 肺癌予後に対するロバスト半監督CTラジオミクス : 限られたラベルによる費用対効果学習とSHAP解釈
• Authors: Mohammad R. Salmanpour, Amir Hossein Pouria, Sonia Falahati, Shahram Taeb, Somayeh Sadat Mehrnia, Ali Fathi Jouzdani, Mehrdad Oveisi, Ilker Hacihaliloglu, Arman Rahmim,
• Abstract要約: 1218種類の放射能の特徴を抽出した12データセットを対象に,977例のCT画像解析を行った。 擬似ラベル付き半教師付き学習SSLフレームワークでは,ラベルなし478例とラベル付き499例が使用された。 SSLは10%のラベル付きデータで強力なパフォーマンスを示し、SLと比較して安定した結果が得られ、外部テスト間のばらつきも低かった。
• 参考スコア（独自算出の注目度）: 0.8275272612306706
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: CT imaging is vital for lung cancer management, offering detailed visualization for AI-based prognosis. However, supervised learning SL models require large labeled datasets, limiting their real-world application in settings with scarce annotations. Methods: We analyzed CT scans from 977 patients across 12 datasets extracting 1218 radiomics features using Laplacian of Gaussian and wavelet filters via PyRadiomics Dimensionality reduction was applied with 56 feature selection and extraction algorithms and 27 classifiers were benchmarked A semi supervised learning SSL framework with pseudo labeling utilized 478 unlabeled and 499 labeled cases Model sensitivity was tested in three scenarios varying labeled data in SL increasing unlabeled data in SSL and scaling both from 10 percent to 100 percent SHAP analysis was used to interpret predictions Cross validation and external testing in two cohorts were performed. Results: SSL outperformed SL, improving overall survival prediction by up to 17 percent. The top SSL model, Random Forest plus XGBoost classifier, achieved 0.90 accuracy in cross-validation and 0.88 externally. SHAP analysis revealed enhanced feature discriminability in both SSL and SL, especially for Class 1 survival greater than 4 years. SSL showed strong performance with only 10 percent labeled data, with more stable results compared to SL and lower variance across external testing, highlighting SSL's robustness and cost effectiveness. Conclusion: We introduced a cost-effective, stable, and interpretable SSL framework for CT-based survival prediction in lung cancer, improving performance, generalizability, and clinical readiness by integrating SHAP explainability and leveraging unlabeled data.
• Abstract（参考訳）: 背景:CTは肺がん管理に不可欠であり、AIベースの予後の詳細な可視化を提供する。 しかし、教師付き学習SLモデルは大きなラベル付きデータセットを必要とし、アノテーションの少ない設定で現実世界のアプリケーションを制限する。 方法:PyRadiomics を用いたラプラシアンおよびウェーブレットフィルタを用いた1218個の放射能特徴を抽出した1277例のCTスキャンを解析し,56個の特徴選択抽出アルゴリズムと27個の分類器をベンチマークし,擬似ラベルを用いた半教師あり学習用SSLフレームワークを478個のラベル付き499個のラベル付きケースを用いて評価した。 結果:SSLはSLより優れ、全体の生存率予測が最大17%向上した。 上位のSSLモデルであるランダムフォレストとXGBoost分類器は、クロスバリデーションで0.90、外部で0.88の精度を達成した。 SHAP解析ではSSLとSLの両方で特徴識別性が向上し,特にクラス1の生存期間は4年以上であった。 SSLは10%のラベル付きデータで強力なパフォーマンスを示し、SLと比較して安定した結果が得られ、外部テスト間のばらつきが低く、SSLの堅牢性とコスト効果が強調された。 結論: 肺癌におけるCTベースの生存予測のための費用対効果, 安定, 解釈可能なSSLフレームワークを導入し, SHAP説明可能性の統合とラベルなしデータの活用により, パフォーマンス, 一般化性, 臨床適応性の向上を図った。

関連論文リスト

• Automatic Cough Analysis for Non-Small Cell Lung Cancer Detection [33.37223681850477]
  非小細胞肺癌(NSCLC)の早期発見は患者の予後改善に重要である。 本研究では,NSCLC患者と健常者との鑑別のためのスクリーニングツールとして,自動コークス分析の利用について検討する。 記録は、サポートベクタマシン(SVM)やXGBoostといった機械学習技術を用いて分析された。
  論文  参考訳（メタデータ） (2025-07-25T11:30:22Z)
• Learning from Anatomy: Supervised Anatomical Pretraining (SAP) for Improved Metastatic Bone Disease Segmentation in Whole-Body MRI [0.7330217643497285]
  本稿では,解剖ラベルの限られたデータセットから学習するSAP(Supervised Anatomical Pretraining)法を提案する。 SAPはベースラインモデルとSSLプリトレーニングされたモデルの両方で大幅に優れており、正規化表面Diceは0.76、Dice係数は0.64である。 1ml以上の臨床関連病変のみを考慮すると、SAPは32例中28例において100%の感度で検出できる。
  論文  参考訳（メタデータ） (2025-06-24T12:59:44Z)
• Enhanced Lung Cancer Survival Prediction using Semi-Supervised Pseudo-Labeling and Learning from Diverse PET/CT Datasets [0.2391222000274618]
  ハイブリッド機械学習システム(HMLS)を用いたPET/CTスキャンから手技・深部放射線特性(HRF/DRF)を解析した。 We extract 215 HRFs and 1024 DRFs by PySERA and a 3D-Autoencoder, in the ViSERA software。
  論文  参考訳（メタデータ） (2024-11-25T23:58:37Z)
• Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study [5.397013836968946]
  我々は,創部組織分割アルゴリズムを評価するためのDFUT草案データセットを作成した。 データセットには110枚の画像と、創傷の専門家によってラベル付けされた組織、600枚の未ラベル画像が含まれている。 注釈付きデータの量が限られているため、我々のフレームワークは、教師付き学習(SL)と半教師付き学習(SSL)の両方のフェーズで構成されている。
  論文  参考訳（メタデータ） (2024-06-23T05:01:51Z)
• Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets [6.712251433139412]
  医用画像基盤モデルは、極小調整で臓器や腫瘍を分割する能力を示している。 これらのモデルは通常、タスク固有の分散(ID)データセットで評価される。 我々は、自己教師付き学習(SSL)で訓練された複数の基礎モデルの性能を評価するために、計算的に高速なメトリクスの包括的セットを導入する。 SMITは最も高いF1スコア(LRAD: 0.60, 5Rater: 0.64)と低いエントロピー(LRAD: 0.06, 5Rater: 0.12)を生成し、高い腫瘍検出率と確実なセグメンテーションを示した。
  論文  参考訳（メタデータ） (2024-03-19T19:36:48Z)
• Can semi-supervised learning use all the data effectively? A lower bound perspective [58.71657561857055]
  半教師付き学習アルゴリズムはラベル付きデータを利用して教師付き学習アルゴリズムのラベル付きサンプル複雑性を改善することができることを示す。 我々の研究は、SSLアルゴリズムのパフォーマンス向上を証明することは可能だが、定数の注意深く追跡する必要があることを示唆している。
  論文  参考訳（メタデータ） (2023-11-30T13:48:50Z)
• An interpretable machine learning system for colorectal cancer diagnosis from pathology slides [2.7968867060319735]
  本研究は,約10,500個のWSIを用いて,最大規模のWSI南極サンプルデータセットを用いて行った。 提案手法は, パッチベースのタイルに対して, 異形成の重症度に基づくクラスを推定する。 病理学者が導入したドメイン知識を活用するために、解釈可能な混合スーパービジョンスキームで訓練されている。
  論文  参考訳（メタデータ） (2023-01-06T17:10:32Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of Semi-Supervised Learning and Active Learning [60.26659373318915]
  アクティブラーニング(AL)と半教師付きラーニング(SSL)は2つの効果があるが、しばしば孤立している。 本稿では、SSL-ALの潜在的な優位性をさらに調査するために、革新的な一貫性に基づく仮想aDvErialアルゴリズムを提案する。 2つの実世界のケーススタディは、提案したデータサンプリングアルゴリズムの適用と展開の実践的な産業価値を可視化する。
  論文  参考訳（メタデータ） (2022-06-07T13:28:43Z)
• ADT-SSL: Adaptive Dual-Threshold for Semi-Supervised Learning [68.53717108812297]
  Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータを併用してモデルをトレーニングすることで、高度な分類タスクを実現している。 本稿では,半教師付き学習(ADT-SSL)のための適応的デュアル閾値法を提案する。 実験の結果,提案したADT-SSLは最先端の分類精度を実現することがわかった。
  論文  参考訳（メタデータ） (2022-05-21T11:52:08Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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)

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。