論文の概要: Artificial Intelligence for the Assessment of Peritoneal Carcinosis during Diagnostic Laparoscopy for Advanced Ovarian Cancer
- arxiv url: http://arxiv.org/abs/2512.14797v1
- Date: Tue, 16 Dec 2025 15:59:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-18 17:06:26.742465
- Title: Artificial Intelligence for the Assessment of Peritoneal Carcinosis during Diagnostic Laparoscopy for Advanced Ovarian Cancer
- Title（参考訳）: 進行卵巣癌診断における腹膜癌診断のための人工知能
- Authors: Riccardo Oliva, Farahdiba Zarin, Alice Zampolini Faustini, Armine Vardazaryan, Andrea Rosati, Vinkle Srivastav, Nunzia Del Villano, Jacques Marescaux, Giovanni Scambia, Pietro Mascagni, Nicolas Padoy, Anna Fagotti,
- Abstract要約: Fagotti score (FS) Assessment at diagnosis laparoscopy (DL) guides treatment planning by timating surgery resectability。
深層学習モデルは、FS関連フレーム、セグメント構造、PCを自動的に識別し、ビデオレベルのFSと手術適応を予測するように訓練された。
これは、DLビデオから自動FS推定を提供する細胞誘導手術の可能性を予測する最初のAIモデルである。
- 参考スコア（独自算出の注目度）: 7.18934146912208
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Advanced Ovarian Cancer (AOC) is often diagnosed at an advanced stage with peritoneal carcinosis (PC). Fagotti score (FS) assessment at diagnostic laparoscopy (DL) guides treatment planning by estimating surgical resectability, but its subjective and operator-dependent nature limits reproducibility and widespread use. Videos of patients undergoing DL with concomitant FS assessments at a referral center were retrospectively collected and divided into a development dataset, for data annotation, AI training and evaluation, and an independent test dataset, for internal validation. In the development dataset, FS-relevant frames were manually annotated for anatomical structures and PC. Deep learning models were trained to automatically identify FS-relevant frames, segment structures and PC, and predict video-level FS and indication to surgery (ItS). AI performance was evaluated using Dice score for segmentation, F1-scores for anatomical stations (AS) and ItS prediction, and root mean square error (RMSE) for final FS estimation. In the development dataset, the segmentation model trained on 7,311 frames, achieved Dice scores of 70$\pm$3% for anatomical structures and 56$\pm$3% for PC. Video-level AS classification achieved F1-scores of 74$\pm$3% and 73$\pm$4%, FS prediction showed normalized RMSE values of 1.39$\pm$0.18 and 1.15$\pm$0.08, and ItS reached F1-scores of 80$\pm$8% and 80$\pm$2% in the development (n=101) and independent test datasets (n=50), respectively. This is the first AI model to predict the feasibility of cytoreductive surgery providing automated FS estimation from DL videos. Its reproducible and reliable performance across datasets suggests that AI can support surgeons through standardized intraoperative tumor burden assessment and clinical decision-making in AOC.
- Abstract（参考訳）: 進行卵巣癌 (AOC) は腹膜癌 (PC) と診断されることが多い。
Fagotti score (FS) Assessment at diagnosis laparoscopy (DL) guides treatment planning by timating surgery resectability, its subjective and operator-dependent nature limits reprodizationibility and widely use。
データアノテーション,AIトレーニングおよび評価のための開発データセット,および内部検証のための独立したテストデータセットに,レファレンスセンターで共同FSアセスメントを併用したDLを施行した患者の映像を振り返って収集した。
開発データセットでは, FS関連フレームを解剖学的構造とPCに手動でアノテートした。
深層学習モデルは、FS関連フレーム、セグメント構造、PCを自動的に識別し、ビデオレベルのFSと手術適応を予測するために訓練された。
Diceスコア,解剖学的ステーション(AS)および ItS 予測のためのF1スコア,最終FS推定のためのルート平均二乗誤差(RMSE)を用いてAI性能を評価した。
開発データセットでは、7,311フレームでトレーニングされたセグメンテーションモデルにより、解剖学的構造では70$\pm$3%、PCでは56$\pm$3%のDiceスコアが得られた。
ビデオレベルのAS分類は、74$\pm$3%と73$\pm$4%のF1スコア、FS予測では、1.39$\pm$0.18と1.15$\pm$0.08のRMSE値が正規化され、ITSは、開発(n=101)と独立テストデータセット(n=50)のF1スコアに達した。
これは、DLビデオから自動FS推定を提供する細胞誘導手術の可能性を予測する最初のAIモデルである。
データセット間で再現可能で信頼性の高いパフォーマンスは、AIがAOCの標準的な術中腫瘍負担評価と臨床的意思決定を通じて外科医を支援することを示唆している。
関連論文リスト
- A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - A Segmentation Framework for Accurate Diagnosis of Amyloid Positivity without Structural Images [9.423899158217232]
本研究では,ポジトロン・エミッション・トモグラフィ(PET)画像のみを用いて,脳領域の自動セグメンテーションのためのディープラーニングベースのフレームワークを提案する。
4層の深さを持つ3次元U-Netアーキテクチャを200個のF18-ベタピルアミロイドPETスキャンでトレーニングし、検証した。
このモデルでは,アミロイドの定量値に基づいて,アミロイドの比重0.98の分類精度を達成した。
論文 参考訳（メタデータ） (2025-07-30T02:44:16Z) - Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。
パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
論文 参考訳（メタデータ） (2025-05-23T14:40:09Z) - Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images [0.23960026858846614]
本研究の目的は,甲状腺シンチグラフィー画像を用いた甲状腺疾患分類を向上する自動パイプラインを開発することである。
2,643人の甲状腺シンチグラフィー画像を収集し,DG(diffuse goiter),MNG(multinodal goiter),甲状腺炎(TH)に分類した。
パイプラインは、さまざまなクラスにわたるいくつかの分類指標で、医師のセグメンテーションに匹敵するパフォーマンスを示した。
論文 参考訳（メタデータ） (2024-07-14T21:29:28Z) - 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) - Early prediction of onset of sepsis in Clinical Setting [0.8471078314535754]
教師付き学習手法が採用され、列車データセットの80%をXGBoostモデルでトレーニングした。
モデルは、トレーニング期間中に全く見えなかった予測データに基づいて検証された。
このモデルでは、試験データでは0.494点、予測データでは0.378点の正常化ユーティリティスコアが得られた。
論文 参考訳（メタデータ） (2024-02-05T19:58:40Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳（メタデータ） (2023-07-25T09:48:13Z) - Multi-institutional Validation of Two-Streamed Deep Learning Method for
Automated Delineation of Esophageal Gross Tumor Volume using planning-CT and
FDG-PETCT [14.312659667401302]
食道悪性腫瘍容積(GTV)コントゥーリングの現況は,高作業コストとユーザ間の変動を手作業で記述することに依存している。
1施設で開発された深層学習(DL)多モード食道GTVコンチューリングモデルの臨床的応用性を検証する。
論文 参考訳（メタデータ） (2021-10-11T13:56:09Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。
平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
論文 参考訳（メタデータ） (2020-12-16T07:02:56Z)
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。