論文の概要: Deep Learning for Glioblastoma Morpho-pathological Features Identification: A BraTS-Pathology Challenge Solution

• arxiv url: http://arxiv.org/abs/2507.18133v1
• Date: Thu, 24 Jul 2025 06:47:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:43.112864
• Title: Deep Learning for Glioblastoma Morpho-pathological Features Identification: A BraTS-Pathology Challenge Solution
• Title（参考訳）: BraTS-Pathology Challenge Solution を用いたGlioblastomaの形態学的特徴同定のための深層学習
• Authors: Juexin Zhang, Ying Weng, Ke Chen,
• Abstract要約: 我々は2024年のBraTS-Path Challengeにアプローチを提示する。 トレーニング済みのモデルを活用して、BraTS-Pathトレーニングデータセットに微調整します。 我々のモデルは0.898704の完全特異性を示し、負のケースを正しく分類する特別な能力を示している。
• 参考スコア（独自算出の注目度）: 5.347187213114967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Glioblastoma, a highly aggressive brain tumor with diverse molecular and pathological features, poses a diagnostic challenge due to its heterogeneity. Accurate diagnosis and assessment of this heterogeneity are essential for choosing the right treatment and improving patient outcomes. Traditional methods rely on identifying specific features in tissue samples, but deep learning offers a promising approach for improved glioblastoma diagnosis. In this paper, we present our approach to the BraTS-Path Challenge 2024. We leverage a pre-trained model and fine-tune it on the BraTS-Path training dataset. Our model demonstrates poor performance on the challenging BraTS-Path validation set, as rigorously assessed by the Synapse online platform. The model achieves an accuracy of 0.392229, a recall of 0.392229, and a F1-score of 0.392229, indicating a consistent ability to correctly identify instances under the target condition. Notably, our model exhibits perfect specificity of 0.898704, showing an exceptional capacity to correctly classify negative cases. Moreover, a Matthews Correlation Coefficient (MCC) of 0.255267 is calculated, to signify a limited positive correlation between predicted and actual values and highlight our model's overall predictive power. Our solution also achieves the second place during the testing phase.
• Abstract（参考訳）: Glioblastomaは多種多様な分子的・病理学的特徴を持つ非常に攻撃的な脳腫瘍であり、その不均一性により診断に難渋する。 この不均一性の正確な診断と評価は、適切な治療を選択し、患者の結果を改善するために不可欠である。 従来の方法は、組織サンプルの特定の特徴を特定することに依存しているが、ディープラーニングは、グリオブラスト腫の診断を改善するための有望なアプローチを提供する。 本稿では,BraTS-Path Challenge 2024について述べる。 トレーニング済みのモデルを活用して、BraTS-Pathトレーニングデータセットに微調整します。 我々のモデルは、Synapseオンラインプラットフォームによって厳格に評価されるように、難易度の高いBraTS-Path検証セットにおいて、パフォーマンスが劣っていることを示す。 このモデルは精度0.392229、リコール0.392229、F1スコア0.392229を達成し、ターゲット条件下でのインスタンスを正しく識別する一貫した能力を示している。 特に,本モデルは0.898704の完全特異性を示し,負のケースを正しく分類する能力を示す。 さらに,0.255267のマシューズ相関係数(MCC)を算出し,予測値と実値との限定的な正の相関を示し,モデル全体の予測力を強調する。 私たちのソリューションは、テストフェーズで第2位を獲得します。

関連論文リスト

• An Explainable AI-Enhanced Machine Learning Approach for Cardiovascular Disease Detection and Risk Assessment [0.0]
  心臓病は依然として世界的な健康上の問題である。 従来の診断方法では、心臓病のリスクを正確に特定し、管理することができない。 機械学習は、心臓疾患の診断の正確性、効率、スピードを大幅に向上させる可能性がある。
  論文  参考訳（メタデータ） (2025-07-15T10:38:38Z)
• Diagnosis of Malignant Lymphoma Cancer Using Hybrid Optimized Techniques Based on Dense Neural Networks [0.0]
  本研究では,特徴抽出のためのDenseNet201と分類のためのニューラルネットワーク(DNN)を組み合わせた新しいハイブリッドディープラーニングフレームワークを提案する。 提案手法は99.33%の精度を達成し,精度とモデル解釈性の両方を著しく改善した。
  論文  参考訳（メタデータ） (2024-10-09T15:12:35Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
  光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。 我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
  論文  参考訳（メタデータ） (2024-06-18T03:04:52Z)
• Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
  虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。 本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
  論文  参考訳（メタデータ） (2024-05-01T23:40:12Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• 3D-Morphomics, Morphological Features on CT scans for lung nodule malignancy diagnosis [8.728543774561405]
  本研究はCTボリュームにおける形態学的特徴(3次元形態学)に基づく病理状態の予測モデルを構築した。 その後、XGBoost教師付き分類器が3次元形態学で訓練され、病理状態を予測する。 肺結節の悪性度と良性度との分類モデルでは, 3D-morphomicsのみを用いて0.964のAUCが得られる。
  論文  参考訳（メタデータ） (2022-07-27T23:50:47Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Spitzoid Lesions Diagnosis based on GA feature selection and Random Forest [0.0]
  本研究の目的は,スピッツイド病変の診断を支援する人工知能モデルを開発することである。 本研究で提案したシステムを評価するために,私的スピッツイド病変データセットが用いられている。 SMOTE-GA-RFモデルとGA-16の特徴は精度0.97, F-measure 0.98, AUC 0.98, G-mean 0.97で優れた性能を示した。
  論文  参考訳（メタデータ） (2020-03-10T14:03:28Z)

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。