論文の概要: Transfer Learning and Machine Learning for Training Five Year Survival Prognostic Models in Early Breast Cancer

• arxiv url: http://arxiv.org/abs/2509.23268v1
• Date: Sat, 27 Sep 2025 11:49:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.134787
• Title: Transfer Learning and Machine Learning for Training Five Year Survival Prognostic Models in Early Breast Cancer
• Title（参考訳）: 早期乳癌の5年間の生存予後モデルのための転写学習と機械学習
• Authors: Lisa Pilgram, Kai Yang, Ana-Alicia Beltran-Bless, Gregory R. Pond, Lisa Vandermeer, John Hilton, Marie-France Savard, Andréanne Leblanc, Lois Sheperd, Bingshu E. Chen, John M. S. Bartlett, Karen J. Taylor, Jane Bayani, Sarah L. Barker, Melanie Spears, Cornelis J. H. van der Velde, Elma Meershoek-Klein Kranenbarg, Luc Dirix, Elizabeth Mallon, Annette Hasenburg, Christos Markopoulos, Lamin Juwara, Fida K. Dankar, Mark Clemons, Khaled El Emam,
• Abstract要約: 機械学習、転送学習は、堅牢な予後フレームワークを構築する機会を提供する。 乳がんにおける生存予後の改善には,de-novo MLとの比較,事前訓練した予後ツールからの移行学習,アンサンブル統合が有用である。 本研究では,PreDICT v3の関連情報が不足している状況やデータセットシフトの可能性が低い状況において,トランスファーラーニング,デノボRSF,アンサンブル統合が予後を向上させることを示す。
• 参考スコア（独自算出の注目度）: 1.7817273115036742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prognostic information is essential for decision-making in breast cancer management. Recently trials have predominantly focused on genomic prognostication tools, even though clinicopathological prognostication is less costly and more widely accessible. Machine learning (ML), transfer learning and ensemble integration offer opportunities to build robust prognostication frameworks. We evaluate this potential to improve survival prognostication in breast cancer by comparing de-novo ML, transfer learning from a pre-trained prognostic tool and ensemble integration. Data from the MA.27 trial was used for model training, with external validation on the TEAM trial and a SEER cohort. Transfer learning was applied by fine-tuning the pre-trained prognostic tool PREDICT v3, de-novo ML included Random Survival Forests and Extreme Gradient Boosting, and ensemble integration was realized through a weighted sum of model predictions. Transfer learning, de-novo RSF, and ensemble integration improved calibration in MA.27 over the pre-trained model (ICI reduced from 0.042 in PREDICT v3 to <=0.007) while discrimination remained comparable (AUC increased from 0.738 in PREDICT v3 to 0.744-0.799). Invalid PREDICT v3 predictions were observed in 23.8-25.8% of MA.27 individuals due to missing information. In contrast, ML models and ensemble integration could predict survival regardless of missing information. Across all models, patient age, nodal status, pathological grading and tumor size had the highest SHAP values, indicating their importance for survival prognostication. External validation in SEER, but not in TEAM, confirmed the benefits of transfer learning, RSF and ensemble integration. This study demonstrates that transfer learning, de-novo RSF, and ensemble integration can improve prognostication in situations where relevant information for PREDICT v3 is lacking or where a dataset shift is likely.
• Abstract（参考訳）: 乳がん管理における予後情報は意思決定に不可欠である。 近年の臨床試験は、臨床病理学的予後が安価で、より広くアクセス可能であるにもかかわらず、主にゲノム予後ツールに焦点を当てている。 機械学習(ML)、トランスファーラーニング、アンサンブル統合は、堅牢な予後フレームワークを構築する機会を提供する。 乳がんにおける生存予後の改善には,de-novo MLとの比較,事前訓練した予後ツールからの移行学習,アンサンブル統合が有用である。 MA.27トライアルのデータは、TEAMトライアルの外部検証とSEERコホートでモデル訓練に使用された。 移動学習は,事前訓練した予知ツールPreDICT v3を微調整し,ランダム生存林と極勾配ブースティングを含むデノボMLを適用し,モデル予測の重み付けによりアンサンブル統合を実現した。 トランスファーラーニング、デノボRSF、アンサンブルの統合により、事前訓練されたモデル(ICIはPreDICT v3では0.042から<=0.007に減った)よりもMA.27のキャリブレーションが向上したが、差別は同等であった(AUCはPreDICT v3では0.738から0.744-0.799に増加した)。 MA.27の23.8-25.8%では、情報不足により、偽のPreDICT v3予測が観測された。 対照的に、MLモデルとアンサンブルの統合は、不足した情報に関係なく生存を予測することができる。 全モデル, 患者年齢, 結節状態, 病理成績, 腫瘍の大きさは, SHAP値が最も高く, 生存予後に重要であることが示唆された。 SEERの外部検証は、TEAMにはないが、転送学習、RCF、アンサンブル統合の利点を確認した。 本研究では,PreDICT v3の関連情報が不足している状況やデータセットシフトの可能性が低い状況において,トランスファーラーニング,デノボRSF,アンサンブル統合が予後を向上させることを示す。

関連論文リスト

• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Tackling Small Sample Survival Analysis via Transfer Learning: A Study of Colorectal Cancer Prognosis [12.786824482430662]
  本研究は,移動学習を利用した小サンプル生存分析を取り扱う。 本研究では, 共通生存モデルのための様々な移動学習手法を提案する。 データで50まで訓練されたすべてのモデルは、さらに大幅に改善された。
  論文  参考訳（メタデータ） (2025-01-21T08:52:57Z)
• A Foundational Generative Model for Breast Ultrasound Image Analysis [42.618964727896156]
  基礎モデルは臨床現場で様々な課題に対処するための強力なツールとして登場した。 乳房超音波検査に特化して設計された最初の基礎的生成モデルであるBUSGenについて述べる。 BUSGenは、数ショットの適応で、現実的で情報に富んだタスク固有のデータのリポジトリを生成することができる。
  論文  参考訳（メタデータ） (2025-01-12T16:39:13Z)
• Data-Driven Machine Learning Approaches for Predicting In-Hospital Sepsis Mortality [0.0]
  セプシスはアメリカ合衆国と世界中で多くの死者を負う重篤な状態である。 機械学習を用いたこれまでの研究では、特徴選択とモデル解釈可能性に制限があった。 本研究は,院内敗血症死亡率を予測するための,解釈可能かつ正確な機械学習モデルを開発することを目的とした。
  論文  参考訳（メタデータ） (2024-08-03T00:28:25Z)
• 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)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• The Foundational Capabilities of Large Language Models in Predicting Postoperative Risks Using Clinical Notes [7.42249589630227]
  各種微調整戦略を用いて,大言語モデル(LLM)の術後6つのリスク予測における性能について検討した。 事前訓練されたLLMは、AUROCが38.3%、AUPRCが33.2%で従来の単語の埋め込みよりも優れていた。 最高性能は統一された基礎モデルで達成され、AUROCは3.6%、AUPRCは2.6%改善された。
  論文  参考訳（メタデータ） (2024-02-27T13:18:00Z)
• Survival and grade of the glioma prediction using transfer learning [0.0]
  本研究では,トランスファーラーニング技術を用いた新しい手法を提案する。 EfficientNet、ResNet、VGG16、Inceptionなど、事前訓練されたネットワークがテストされた。 実験の結果、生存予測では65%の精度を示し、患者を短期、中長期、長期の生存カテゴリーに分類した。 低次グリオーマ (LGG) と高次グリオーマ (HGG) を正確に区別した。
  論文  参考訳（メタデータ） (2024-02-04T09:07:07Z)
• 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)

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。