敵対学習を用いたMRIスキャンからのMGMTプロモーターメチル化の予測の最適化【JST・京大機械翻訳】

Das Sauman

プレプリント

J-GLOBAL ID：202202216746689028 整理番号：22P0026653

敵対学習を用いたMRIスキャンからのMGMTプロモーターメチル化の予測の最適化【JST・京大機械翻訳】

Optimizing Prediction of MGMT Promoter Methylation from MRI Scans using Adversarial 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 (1件)：
資料名：
発行年： 2022年01月12日プレプリントサーバーでの情報更新日： 2022年01月26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)

グリア芽細胞腫(GBM)は,約48%の脳と中心Nervous System(CNS)癌を形成する悪性脳癌である。毎年13000以上の死亡がGBMによりUSで生じ,予測可能な効果的な治療につながる早期診断システムを持つことを重要にしている。GBM診断後の最も一般的な治療は化学療法であり,急速に分裂細胞をアポトーシスに送ることで作用する。しかし,MGMTプロモーター配列がメチル化され,代わりに患者の生存性を低下させる重篤な副作用をもたらすとき,この治療法は効果的でない。したがって,非侵襲的磁気共鳴イメージング(MRI)に基づく機械学習(ML)モデルを通してMGMTプロモーターメチル化状態を同定することが重要である。これは脳腫瘍分割(BraTS)2021データセットを用いて達成され,それは最近国際Kaggle競争に使われた。4つの一次モデル,すなわち,2つのラジオミックモデルと2つのCNNモデル,を進展的改良でバイナリ分類タスクを解決して開発した。すべてのMRIスキャンのスライス厚さを正規化するために使用された中間状態発生器と呼ばれる新しいMLモデルを構築した。更なる改良により,著者らの最良モデルは,平均交差検証精度の6%増加で,最良性能Kaggleモデルよりも性能を有意に(p<0.05)良く達成することができた。この改善は,治療選択肢としての化学療法のよりインフォームドな選択につながり,毎年GBMの数千人の患者の寿命を延長できる。【JST・京大機械翻訳】

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

神経系の腫よう , 腫ようの化学・生化学・病理学

, , , , , , ,

前のページに戻る