時系列深層学習を用いた挑戦的スクリーン検出肺結節における癌予測の強化【JST・京大機械翻訳】

Aslani Shahab; Alluri Pavan; Gudmundsson Eyjolfur; Chandy Edward; McCabe John; Devaraj Anand; Horst Carolyn; Janes Sam M; Chakkara Rahul; Nair Arjun; Alexander Daniel C; consortium SUMMIT; Jacob Joseph

プレプリント

J-GLOBAL ID：202202210547120247 整理番号：22P0322827

時系列深層学習を用いた挑戦的スクリーン検出肺結節における癌予測の強化【JST・京大機械翻訳】

Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung Nodules Using Time-Series Deep Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (13件)： , , , , , , , , , , , ,
資料名：
発行年： 2022年03月30日プレプリントサーバーでの情報更新日： 2022年03月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

肺癌は世界的に癌関連死亡率の主要な原因である。年間低用量コンピュータ断層撮影(CT)走査を用いた肺癌スクリーニング(LCS)は,早期段階で癌性肺結節を検出することにより,肺癌死亡率を有意に減少させることが証明されている。肺結節における悪性リスクのリスク層別化は,機械/深層学習アルゴリズムを用いて強化できる。しかし,ほとんどの既存のアルゴリズム:a)は,主に単一時間点CTデータのみを評価し,それによって,縦画像データセットに含まれる固有利点の利用に失敗する。b)は,リスク予測を知らせる可能性のある,コンピュータモデルに統合されていない。c)は,分析ツールからの支援が最も有益であるであろう,放射線科医にとって最も挑戦的な小結節のスペクトルに関するアルゴリズム性能を評価していない。ここでは,3つの縦データドメイン,すなわち,結節特異的,肺特異的,および臨床人口統計学的データにわたるマルチモデル情報を統合する,時系列深層学習モデル(DeepCAD-NLM-L)の性能を示した。診断のために最も挑戦的な結節を多く含む国立肺スクリーニング試験からのCTにおける放射線科医パフォーマンスに対する時系列深層学習モデルを比較した。b)北ロンドンLCS研究(SUMMIT)からの根粒管理アルゴリズム。著者らのモデルは,挑戦的な肺結節を解釈するとき,放射線科医に対して同等で補完的な性能を示し,単一時点データのみを利用するモデルに対して改善された性能(AUC=88%)を示した。結果はLCSにおける悪性リスクを解釈するとき,時系列,マルチモーダル解析の重要性を強調する。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

腫ようの診断 , 呼吸器の腫よう

, , , , , ,

前のページに戻る