論文の概要: Radiomic Feature Selection Using Gradient Loss of Deep Neural Network for Lung Cancer Stage Detection

• arxiv url: http://arxiv.org/abs/2606.04453v1
• Date: Wed, 03 Jun 2026 04:56:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.555637
• Title: Radiomic Feature Selection Using Gradient Loss of Deep Neural Network for Lung Cancer Stage Detection
• Title（参考訳）: 深部神経回路の勾配損失を用いた肺癌ステージ検出のための放射線学的特徴選択
• Authors: Hina Shakir, Mohammad Mohatram, Javeed Hussain, Syed Rizwan Ali, Muhammad Irfan Memon,
• Abstract要約: 本研究では、ディープニューラルネットワークから勾配感度解析を統合するグラディエント・ロス再帰的特徴除去フレームワークを提案する。 胸部CT検査では, 3DスライダのPyRadiomics拡張法を用いて, 合計106個の放射線像を抽出した。 提案したフレームワークは、90.22%の精度、90.10%の精度、90.24%のリコール、テストデータセットでのF1スコア90.16%の強い分類性能を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiomics enables extraction of quantitative imaging biomarkers from medical images and has become an important tool for computer-aided cancer diagnosis. However, radiomics datasets are typically high-dimensional with limited samples, making feature selection a critical step for building reliable predictive models. This study proposes a Gradient-Loss Recursive Feature Elimination (GL-RFE) framework that integrates gradient sensitivity analysis from a deep neural network to identify the most influential radiomic features for lung cancer stage detection. A total of 106 radiomic features were extracted from chest Computed Tomography (CT) scans using the PyRadiomics extension of the 3D Slicer platform. The proposed method evaluates feature importance by computing gradients of the network loss with respect to input features and recursively eliminates features with minimal contribution. The resulting top-15 radiomic features are used to train a deep neural network classifier for distinguishing early-stage and advanced-stage lung cancer. The proposed framework achieves strong classification performance, with accuracy of 90.22%, precision of 90.10%, recall of 90.24%, and F1-score of 90.16% on the test dataset. Visualization analyses, including correlation heat maps and distribution plots, further confirm reduced feature redundancy and improved class separability. Compared to conventional feature selection techniques, GL-RFE effectively captures nonlinear feature interactions and enhances model generalization. The presented protocol provides a reproducible and interpretable methodology for radiomics-based cancer stage detection and is particularly suitable for high-dimensional, small-sample biomedical datasets, with potential applications in other domains such as genomics and multimodal clinical analysis.
• Abstract（参考訳）: 放射線学は、医療画像から定量的イメージングバイオマーカーの抽出を可能にし、コンピュータ支援癌診断のための重要なツールとなった。 しかしながら、放射能データセットは通常、限られたサンプルを持つ高次元であり、信頼性のある予測モデルを構築するための重要なステップとなる。 本研究では,深部ニューラルネットワークから勾配感度解析を統合し,肺がんステージ検出に最も有効な放射線学的特徴を同定するグラディエント・ロス再帰的特徴除去(GL-RFE)フレームワークを提案する。 胸部CT検査では, 3DスライダのPyRadiomics拡張法を用いて, 合計106個の放射線像を抽出した。 提案手法は,入力特徴に対するネットワーク損失の勾配を計算し,最小限のコントリビューションで再帰的に特徴を除去することで,特徴の重要性を評価する。 得られたトップ15放射能の特徴は、早期および進行期の肺癌を識別するためのディープニューラルネットワーク分類器の訓練に使用される。 提案したフレームワークは、90.22%の精度、90.10%の精度、90.24%のリコール、テストデータセットでのF1スコア90.16%の強い分類性能を達成する。 相関熱マップと分布プロットを含む可視化解析により,特徴冗長性の低減とクラス分離性の向上が確認された。 従来の特徴選択技術と比較して、GL-RFEは非線形特徴相互作用を効果的に捕捉し、モデル一般化を強化する。 本発明のプロトコルは、ラジオミクスに基づくがんステージ検出のための再現可能かつ解釈可能な方法論を提供し、特に高次元、小サンプルのバイオメディカルデータセットに適しており、ゲノム学やマルチモーダル臨床分析などの他の領域にも応用される可能性がある。

関連論文リスト

• Exploring Strategies for Personalized Radiation Therapy Part I Unlocking Response-Related Tumor Subregions with Class Activation Mapping [17.401088816596054]
  本研究は, 標準放射能, 勾配に基づく特徴, クラスアクティベーションマッピングにより強化された畳み込みニューラルネットワークという, 治療応答を予測するための3つのアプローチを比較する。 ガンマナイフ治療39例の脳転移69例について検討した。 Pixel wise CAMは、分類精度において放射能と勾配に基づく手法の両方に優れていた。
  論文  参考訳（メタデータ） (2025-06-21T01:24:25Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Unraveling Radiomics Complexity: Strategies for Optimal Simplicity in Predictive Modeling [4.1032659987778315]
  放射線的特徴セットの高次元性、放射線的特徴タイプの変動性、そして潜在的に高い計算要求は、全て、与えられた臨床問題に対する最小の予測的特徴セットを特定する効果的な方法の必要性を浮き彫りにしている。 我々は,最小限の放射線学的特徴を識別し,説明するための方法論とツールを開発する。
  論文  参考訳（メタデータ） (2024-07-05T23:14:46Z)
• Comparative Analysis of Radiomic Features and Gene Expression Profiles in Histopathology Data Using Graph Neural Networks [3.20381908096888]
  本研究は,メラノーマ分類におけるMELCデータと放射能抽出機能を統合するために,グラフニューラルネットワークを用いた。 遺伝子発現プロファイルと放射線特徴の有効性を評価し,放射線特徴が分類性能を著しく向上させることを明らかにした。
  論文  参考訳（メタデータ） (2023-12-25T22:49:03Z)
• ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
  ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。 本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-08T17:23:17Z)
• Improving the diagnosis of breast cancer based on biophysical ultrasound features utilizing machine learning [0.0]
  乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。 以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
  論文  参考訳（メタデータ） (2022-07-13T23:53:09Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• 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)
• Generative Models Improve Radiomics Performance in Different Tasks and Different Datasets: An Experimental Study [3.040206021972938]
  ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。 生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
  論文  参考訳（メタデータ） (2021-09-06T06:01:21Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。