論文の概要: LungCRCT: Causal Representation based Lung CT Processing for Lung Cancer Treatment
- arxiv url: http://arxiv.org/abs/2601.18118v1
- Date: Mon, 26 Jan 2026 04:03:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.664529
- Title: LungCRCT: Causal Representation based Lung CT Processing for Lung Cancer Treatment
- Title（参考訳）: LungCRCT : 肺がん治療における因果表現に基づく肺CT処理
- Authors: Daeyoung Kim,
- Abstract要約: LungCRCTは因果表現学習に基づく肺がん解析フレームワークである。
肺がん進行の物理的因果機構における因子の因果表現を検索する。
- 参考スコア（独自算出の注目度）: 3.765413696274397
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Due to silence in early stages, lung cancer has been one of the most leading causes of mortality in cancer patients world-wide. Moreover, major symptoms of lung cancer are hard to differentiate with other respiratory disease symptoms such as COPD, further leading patients to overlook cancer progression in early stages. Thus, to enhance survival rates in lung cancer, early detection from consistent proactive respiratory system monitoring becomes crucial. One of the most prevalent and effective methods for lung cancer monitoring would be low-dose computed tomography(LDCT) chest scans, which led to remarkable enhancements in lung cancer detection or tumor classification tasks under rapid advancements and applications of computer vision based AI models such as EfficientNet or ResNet in image processing. However, though advanced CNN models under transfer learning or ViT based models led to high performing lung cancer detections, due to its intrinsic limitations in terms of correlation dependence and low interpretability due to complexity, expansions of deep learning models to lung cancer treatment analysis or causal intervention analysis simulations are still limited. Therefore, this research introduced LungCRCT: a latent causal representation learning based lung cancer analysis framework that retrieves causal representations of factors within the physical causal mechanism of lung cancer progression. With the use of advanced graph autoencoder based causal discovery algorithms with distance Correlation disentanglement and entropy-based image reconstruction refinement, LungCRCT not only enables causal intervention analysis for lung cancer treatments, but also leads to robust, yet extremely light downstream models in malignant tumor classification tasks with an AUC score of 93.91%.
- Abstract（参考訳）: 早期の沈黙により、肺がんは世界中でがん患者が死亡する最も主要な原因の1つとなっている。
さらに、肺がんの主要な症状は、COPDなどの他の呼吸器疾患の症状と区別が難しいため、早期にがんの進行を見落としてしまう。
したがって、肺癌の生存率を高めるために、一貫した活動的呼吸系モニタリングから早期に検出することが重要である。
肺がんモニタリングの最も一般的かつ効果的な方法の1つは、低用量CT(LDCT)胸部スキャンであり、肺がん検出や腫瘍分類タスクの急速な進歩と、画像処理におけるEfficientNetやResNetなどのコンピュータビジョンベースのAIモデルの適用が顕著に向上した。
しかし, トランスファーラーニングモデルやViTモデルに基づく先進的なCNNモデルでは, 相関依存性や複雑性による低解釈性に限界があるため, 肺がん治療解析や因果介入解析への深層学習モデルの拡張は依然として限られている。
そこで本研究では,肺がん進行の物理的因果機構における因子の因果表現を検索する潜在因果表現学習に基づく肺がん解析フレームワークであるLungCRCTを紹介した。
高度なグラフオートエンコーダに基づく因果発見アルゴリズムと距離相関の歪みとエントロピーに基づく画像再構成の改良により、LungCRCTは肺がん治療の因果介入分析を可能にするだけでなく、AUCスコア93.91%の悪性腫瘍分類タスクにおいて、頑健で極めて軽い下流モデルをもたらす。
関連論文リスト
- Imaging-Based Mortality Prediction in Patients with Systemic Sclerosis [50.46938276133494]
全身性硬化症(SSc)における間質性肺疾患(ILD)の死因
本研究は,放射能と深層学習を利用して死亡率を予測する,新しい大規模胸部CT解析フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-27T23:46:57Z) - Improving Lung Cancer Diagnosis and Survival Prediction with Deep Learning and CT Imaging [12.276877277186284]
肺癌は主要ながん関連死亡例であり、早期診断と治療は患者の生存率の向上に不可欠である。
肺がんのリスクと肺のリスクとの間に得られるネットワークの神経畳み込みネットワークをCT実験に応用することを提案する。
以上の結果から, 肺がん発生リスクと肺がん発生リスクの予測に, ミニバッチド・ロスとバイナリ・クロスエントロピーが有効であったことが示唆された。
論文 参考訳（メタデータ） (2024-08-18T05:45:08Z) - Double Integral Enhanced Zeroing Neural Network Optimized with ALSOA
fostered Lung Cancer Classification using CT Images [1.1510009152620668]
肺がんは最も致命的な疾患の1つであり、疾患や死亡の原因となっている。
提案手法は既存の手法で解析した18.32%,27.20%,34.32%の精度で得られた。
論文 参考訳（メタデータ） (2023-12-05T10:53:35Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳（メタデータ） (2023-03-09T15:38:16Z) - Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung
Nodules Using Time-Series Deep Learning [2.744770849264355]
低用量CTによる肺がん検診(LCS)は肺がん死亡率を著しく低下させることが証明された。
肺結節の悪性度リスクの階層化を改善するには, マシン/ディープ学習アルゴリズムが有用である。
本稿では,時系列深層学習モデル(DeepCAD-NLM-L)の性能について述べる。
論文 参考訳（メタデータ） (2022-03-30T18:40:36Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Early Diagnosis of Lung Cancer Using Computer Aided Detection via Lung
Segmentation Approach [0.1749935196721634]
アメリカがん協会は、がんによる死亡件数の約27%を推定している。
その進化の初期段階では、肺がんは通常は症状を起こさない。
多くの患者は、症状がより顕著になり、治療が不十分で死亡率の高い進行期に診断されている。
論文 参考訳（メタデータ） (2021-07-23T05:46:06Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for
Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。
胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
論文 参考訳（メタデータ） (2021-03-06T02:16:41Z) - 3D Neural Network for Lung Cancer Risk Prediction on CT Volumes [0.6810862244331126]
肺がんはアメリカ合衆国で最も多いがん死の原因である。
肺がんCT検査は、死亡率を40%まで下げることが示されている。
放射線診断の基準が採用されているにもかかわらず, 経年変化が持続的であり, 包括的画像所見の不完全な特徴が現在の方法の限界として残っている。
本稿では,肺がんリスク予測のための最先端ディープラーニングアルゴリズムを再現する。
論文 参考訳（メタデータ） (2020-07-25T10:01:22Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z)
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。