論文の概要: Deep learning-based computed tomography (CT) derived body composition classifier for colorectal cancer patients

• arxiv url: http://arxiv.org/abs/2608.15712v1
• Date: Sun, 16 Aug 2026 12:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.399481
• Title: Deep learning-based computed tomography (CT) derived body composition classifier for colorectal cancer patients
• Title（参考訳）: 大腸癌患者に対する深層学習型CT(Deep Learning-based Computed Tomography)による体組成分類法
• Abstract要約: 本研究は, 臨床ワークフローにおける身体組成分析における深層学習に基づく自動回帰の可能性について検討する。 がん患者のCT検査から骨格筋面積(SMA)を予測するために4つのディープラーニングアーキテクチャーを訓練した。 GoogLeNetは、SMA予測において平均パーセンテージエラー(PE)の4.96%で最高のパフォーマンスを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Accurate body composition analysis using Computed Tomography (CT) scans is essential for assessing skeletal muscle area (SMA) and skeletal muscle density (SMD), key markers of nutritional status in cancer patients. Conventional manual methods are labour-intensive and require specialist expertise, limiting their routine clinical use. Therefore, this study serves as a feasibility and pilot investigation to explore the potential of deep learning-based automated regression for body composition analysis within a clinical workflow. Methods: Four deep learning architectures (AlexNet, UNet, GoogLeNet, and ResNet34) were trained to predict SMA, SMD, subcutaneous fat area (SFA), and visceral fat area (VFA) from CT scans of colorectal cancer patients. Systematic hyperparameter optimization identified the most accurate models, which were subsequently implemented in a web application for clinical use. Results: GoogLeNet achieved the best performance, with a mean percentage error (PE) of 4.96% for SMA prediction, while AlexNet reached 8.12% for SMD. Independent testing demonstrated robust accuracy, correctly classifying body composition metrics in 80% of cases. The web application delivered rapid and consistent outputs, supporting integration into clinical workflows. Conclusion: Optimized deep learning models, particularly GoogLeNet and AlexNet, can automate CT-derived body composition analysis with a Mean Percentage Error (PE) of 4.96% for SMA and 8.12% for SMD. These tools have the potential to streamline clinical practice by reducing the time and expertise required for manual segmentation. Further validation in larger, more diverse datasets is warranted.
• Abstract（参考訳）: 背景:CTスキャンによる正確な体組成分析は, 骨格筋面積(SMA)と骨格筋密度(SMD)を評価する上で必要である。 従来の手技は労働集約的であり、専門的な専門知識を必要とし、定期的な臨床使用を制限する。 そこで本研究では, 臨床ワークフロー内での身体組成分析における深層学習に基づく自動回帰の可能性を探るための, 実現可能性およびパイロット調査として機能する。 方法:SMA, SMD, 皮下脂肪面積 (SFA), 内臓脂肪面積 (VFA) の4つの深層学習アーキテクチャ (AlexNet, UNet, GoogLeNet, ResNet34) を大腸癌患者のCT検査で評価した。 システム的ハイパーパラメータ最適化は、最も正確なモデルを特定し、その後、臨床のためにWebアプリケーションに実装された。 結果: GoogLeNetはSMA予測では平均パーセンテージエラー(PE)が4.96%、AlexNetはSMDでは8.12%だった。 独立検査では、80%の症例において、頑健な精度を示し、体組成の指標を正しく分類した。 Webアプリケーションは、迅速で一貫したアウトプットを提供し、臨床ワークフローへの統合をサポートする。 結論:最適化されたディープラーニングモデル、特にGoogLeNetとAlexNetは、SMAでは平均パーセンテージエラー(PE)が4.96%、SMDでは8.12%でCT由来のボディコンポジション分析を自動化することができる。 これらのツールは、手作業のセグメンテーションに必要な時間と専門知識を減らし、臨床実践を合理化する可能性がある。 より大きな、より多様なデータセットのさらなる検証が保証される。

関連論文リスト

• A Clinically Validated Foundation Model for Comprehensive Lung Pathology Interpretation [36.95302007351382]
  PulmoFoundation(プルモファウンデーション)は、肺病理の総合的評価のための、RCT(RCT)評価基礎モデルである。 本モデルでは, 生検, 凍結部, 外科的切除スライスを対象とし, コア診断タスクにおける臨床成績を評価する。
  論文  参考訳（メタデータ） (2026-05-25T14:04:56Z)
• Detection and Localization of Subdural Hematoma Using Deep Learning on Computed Tomography [3.5333115085185614]
  硬膜下血腫 (SDH) は神経外科的緊急時であり, 高齢化が進んでいる。 マルチモーダルな臨床および画像情報を統合する透明でハイパフォーマンスなシステムが必要である。 我々は,構造化された臨床変数とCTボリュームに基づいて訓練された3次元畳み込みニューラルネットワークと,SDHの検出とローカライゼーションのための2次元セグメンテーションモデルを統合するマルチモーダルディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-12-10T07:37:42Z)
• Click, Predict, Trust: Clinician-in-the-Loop AI Segmentation for Lung Cancer CT-Based Prognosis within the Knowledge-to-Action Framework [0.7340285482623061]
  肺がんは依然としてがん死亡の主な原因であり、CT像はスクリーニング、予後、治療の中心となっている。 ディープラーニング(DL)は自動化を提供するが、臨床導入の障壁に直面している。 本研究は, 診断精度, 臨床信頼度を高めるために, ループ内DLパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-10-19T23:02:43Z)
• 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)
• Automatic Cough Analysis for Non-Small Cell Lung Cancer Detection [33.37223681850477]
  非小細胞肺癌(NSCLC)の早期発見は患者の予後改善に重要である。 本研究では,NSCLC患者と健常者との鑑別のためのスクリーニングツールとして,自動コークス分析の利用について検討する。 記録は、サポートベクタマシン(SVM)やXGBoostといった機械学習技術を用いて分析された。
  論文  参考訳（メタデータ） (2025-07-25T11:30:22Z)
• Reliable Radiologic Skeletal Muscle Area Assessment -- A Biomarker for Cancer Cachexia Diagnosis [12.928843687757466]
  我々はディープラーニングモデル(nnU-Net 2D)を利用したエンドツーエンドの自動パイプラインであるSMAART-AIを開発した。 SMAART-AIには、専門家のレビューのためにSMA予測にフラグを付ける不確実性ベースのメカニズムが組み込まれており、信頼性が向上している。 SMAART-AIは胃食道癌データセットで試験され、Diceスコア97.80%+/-0.93%を達成し、SMAは4つのデータセットすべてで2.48%の絶対誤差で推定した。
  論文  参考訳（メタデータ） (2025-03-19T19:07:59Z)
• A Continual Learning-driven Model for Accurate and Generalizable Segmentation of Clinically Comprehensive and Fine-grained Whole-body Anatomies in CT [67.34586036959793]
  完全に注釈付きCTデータセットは存在せず、すべての解剖学がトレーニングのために記述されている。 完全解剖を分割できる連続学習駆動CTモデルを提案する。 単体CT分割モデルCL-Netは, 臨床的に包括的に包括的に235個の粒状体解剖の集合を高精度に分割することができる。
  論文  参考訳（メタデータ） (2025-03-16T23:55:02Z)
• Deep Learning-Based Brain Image Segmentation for Automated Tumour Detection [0.0]
  目的は、最先端の畳み込みニューラルネットワーク(CNN)を、セグメント化のための脳MRIスキャンの大規模なデータセットに活用することである。 提案手法は,性能向上と一般化性向上のために前処理技術を適用した。
  論文  参考訳（メタデータ） (2024-04-06T15:09:49Z)
• MEDPSeg: Hierarchical polymorphic multitask learning for the segmentation of ground-glass opacities, consolidation, and pulmonary structures on computed tomography [37.119000111386924]
  MEDPSegは階層型多形マルチタスク学習(HPML)を通して異種胸部CTターゲットから学習する 本稿では,GGOと統合セグメンテーションタスクの最先端性能を実現するPMLについて述べる。 さらに、MEDPSegは肺発作、気道、肺動脈、肺病変の分節を同時に行う。
  論文  参考訳（メタデータ） (2023-12-04T21:46:39Z)
• 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)
• 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)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• 3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass Segmentation, Diagnosis, and Quantitative Patient Management [21.788423806147378]
  膵管腺癌(PDAC)と他の9つの非PDAC腫とを多相CT画像で区別する。 患者レベルの診断を行うための総合的セグメンテーション・メシュ分類網(SMCN)を提案する。
  論文  参考訳（メタデータ） (2020-12-08T19:38:01Z)

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。