論文の概要: Ensemble of radiomics and ConvNeXt for breast cancer diagnosis
- arxiv url: http://arxiv.org/abs/2601.05373v1
- Date: Thu, 08 Jan 2026 20:54:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-12 17:41:49.768615
- Title: Ensemble of radiomics and ConvNeXt for breast cancer diagnosis
- Title（参考訳）: 乳癌診断における放射線とConvNeXtの併用
- Authors: Jorge Alberto Garza-Abdala, Gerardo Alejandro Fumagal-González, Beatriz A. Bosques-Palomo, Mario Alexis Monsivais Molina, Daly Avedano, Servando Cardona-Huerta, José Gerardo Tamez-Pena,
- Abstract要約: 放射線学と深層学習(DL)は、早期がん検出で放射線科医を補助する大きな可能性を示している。
本研究の目的は, マンモグラム検診における放射線, DL, アンサンブル法の性能評価である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early diagnosis of breast cancer is crucial for improving survival rates. Radiomics and deep learning (DL) have shown significant potential in assisting radiologists with early cancer detection. This paper aims to critically assess the performance of radiomics, DL, and ensemble techniques in detecting cancer from screening mammograms. Two independent datasets were used: the RSNA 2023 Breast Cancer Detection Challenge (11,913 patients) and a Mexican cohort from the TecSalud dataset (19,400 patients). The ConvNeXtV1-small DL model was trained on the RSNA dataset and validated on the TecSalud dataset, while radiomics models were developed using the TecSalud dataset and validated with a leave-one-year-out approach. The ensemble method consistently combined and calibrated predictions using the same methodology. Results showed that the ensemble approach achieved the highest area under the curve (AUC) of 0.87, compared to 0.83 for ConvNeXtV1-small and 0.80 for radiomics. In conclusion, ensemble methods combining DL and radiomics predictions significantly enhance breast cancer diagnosis from mammograms.
- Abstract（参考訳）: 乳がんの早期診断は生存率の向上に不可欠である。
放射線学と深層学習(DL)は、早期がん検出で放射線科医を補助する大きな可能性を示している。
本研究の目的は, マンモグラム検診における放射線, DL, アンサンブル法の性能評価である。
RSNA 2023乳がん検出チャレンジ(11,913人)とTecSaludデータセット(19,400人)のメキシココホートの2つの独立したデータセットが使用された。
ConvNeXtV1-small DLモデルはRSNAデータセットに基づいてトレーニングされ、TecSaludデータセット上で検証された。
アンサンブル法は同じ手法を用いて常に組み合わせ、校正された予測を行った。
その結果、アンサンブル法は、ConvNeXtV1の0.83、放射能の0.80に対して、曲線(AUC)の0.87の最も高い領域を達成した。
結論として, DLと放射能予測を組み合わせたアンサンブル法は, マンモグラフィーによる乳癌の診断を著しく向上させた。
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) - MGH Radiology Llama: A Llama 3 70B Model for Radiology [50.42811030970618]
本稿では,高度な放射線学に焦点を当てた大規模言語モデルMGH Radiology Llamaを提案する。
Llama 3 70Bモデルを使用して開発され、Radiology-GPTやRadiology-Llama2といった従来のドメイン固有モデルをベースにしている。
従来の指標とGPT-4に基づく評価の両方を取り入れた評価では,汎用LLMよりも高い性能を示す。
論文 参考訳（メタデータ） (2024-08-13T01:30:03Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach
Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。
提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
論文 参考訳（メタデータ） (2024-01-28T23:33:56Z) - Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive
Learning [19.948079693716075]
提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。
77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
論文 参考訳（メタデータ） (2024-01-25T20:03:57Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳（メタデータ） (2023-04-12T15:08:34Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳（メタデータ） (2023-04-12T05:41:44Z) - Enhancing Clinical Support for Breast Cancer with Deep Learning Models
using Synthetic Correlated Diffusion Imaging [66.63200823918429]
深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。
我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。
提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
論文 参考訳（メタデータ） (2022-11-10T03:02:12Z) - Lung Cancer Diagnosis Using Deep Attention Based on Multiple Instance
Learning and Radiomics [13.028105771052376]
肺癌の診断をmil(multiple instance learning)問題として扱うことで,臨床における診断過程をよりよく反映する。
分類アルゴリズムとして、放射能を入力特徴の源と深い注意に基づくMILを選択しました。
その結果,平均(SEM)が0.069の標準誤差,0.870(SEM 0.061)のリコール,0.928(SEM 0.078)の正の予測値,0.591(SEM 0.155)の負の予測値,0.842(AUC)の曲線下領域で0.807の平均精度が得られた。
論文 参考訳（メタデータ） (2021-04-29T21:04:02Z) - Automatic Generation of Interpretable Lung Cancer Scoring Models from
Chest X-Ray Images [9.525711971667679]
肺がんは世界中でがんの死因となっている。
深層学習技術は肺がんの診断に有効である。
これらの技術は、まだ医療コミュニティによって承認され、採用されていない。
論文 参考訳（メタデータ） (2020-12-10T04:11:59Z) - Predicting the risk of pancreatic cancer with a CT-based ensemble AI
algorithm [0.0]
膵癌は致死性疾患であり、診断が困難であり、予後不良と死亡率が高い。
非造影CTによるあらゆる膵病変の普遍的癌リスクを予測するために,アンサンブルAIアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-03T06:06:43Z)
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。