論文の概要: Detection of Perineural Invasion in Prostate Needle Biopsies with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2004.01589v1
• Date: Fri, 3 Apr 2020 14:27:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 04:20:15.132160
• Title: Detection of Perineural Invasion in Prostate Needle Biopsies with Deep Neural Networks
• Title（参考訳）: 深層ニューラルネットワークを用いた前立腺針生検における会陰浸潤の検出
• Authors: Peter Str\"om (1), Kimmo Kartasalo (1,2), Pekka Ruusuvuori (2,3), Henrik Gr\"onberg (1,4), Hemamali Samaratunga (5), Brett Delahunt (6), Toyonori Tsuzuki (7), Lars Egevad (8), Martin Eklund (1) ((1) Department of Medical Epidemiology and Biostatistics, Karolinska Institutet, Stockholm, Sweden, (2) Faculty of Medicine and Health Technology, Tampere University, Tampere, Finland, (3) Institute of Biomedicine, University of Turku, Turku, Finland, (4) Department of Oncology, St G\"oran Hospital, Stockholm, Sweden, (5) Aquesta Uropathology and University of Queensland, Brisbane, Qld, Australia, (6) Department of Pathology and Molecular Medicine, Wellington School of Medicine and Health Sciences, University of Otago, Wellington, New Zealand, (7) Department of Surgical Pathology, School of Medicine, Aichi Medical University, Nagoya, Japan, (8) Department of Oncology and Pathology, Karolinska Institutet, Stockholm, Sweden)
• Abstract要約: 前立腺生検における肝門周囲浸潤 (PNI) は予後不良と関連している。 前立腺生検における深部ニューラルネットワークを用いたPNI検出アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: The detection of perineural invasion (PNI) by carcinoma in prostate biopsies has been shown to be associated with poor prognosis. The assessment and quantification of PNI is; however, labor intensive. In the study we aimed to develop an algorithm based on deep neural networks to aid pathologists in this task. Methods: We collected, digitized and pixel-wise annotated the PNI findings in each of the approximately 80,000 biopsy cores from the 7,406 men who underwent biopsy in the prospective and diagnostic STHLM3 trial between 2012 and 2014. In total, 485 biopsy cores showed PNI. We also digitized more than 10% (n=8,318) of the PNI negative biopsy cores. Digitized biopsies from a random selection of 80% of the men were used to build deep neural networks, and the remaining 20% were used to evaluate the performance of the algorithm. Results: For the detection of PNI in prostate biopsy cores the network had an estimated area under the receiver operating characteristics curve of 0.98 (95% CI 0.97-0.99) based on 106 PNI positive cores and 1,652 PNI negative cores in the independent test set. For the pre-specified operating point this translates to sensitivity of 0.87 and specificity of 0.97. The corresponding positive and negative predictive values were 0.67 and 0.99, respectively. For localizing the regions of PNI within a slide we estimated an average intersection over union of 0.50 (CI: 0.46-0.55). Conclusion: We have developed an algorithm based on deep neural networks for detecting PNI in prostate biopsies with apparently acceptable diagnostic properties. These algorithms have the potential to aid pathologists in the day-to-day work by drastically reducing the number of biopsy cores that need to be assessed for PNI and by highlighting regions of diagnostic interest.
• Abstract（参考訳）: 前立腺生検では,前立腺癌による周神経浸潤(PNI)の検出が予後不良と関連していることが明らかとなった。 PNIの評価と定量化は、労働集約的である。 本研究では,この課題の病理学者を支援する深層ニューラルネットワークに基づくアルゴリズムを開発することを目的とした。 方法:2012年から2014年までのSTHLM3臨床試験で生検を行った7,406名の男性から,約80,000個の生検コアのPNI所見を収集,デジタル化,およびピクセル単位で注釈した。 485個の生検コアでPNIを認めた。 またPNI陰性生検コアの10%以上(n=8,318)をデジタル化した。 男性の80%が無作為に選択したデジタル化生検はディープニューラルネットワークの構築に使われ、残りの20%はアルゴリズムの性能を評価するために使われた。 結果: 前立腺生検コアにおけるPNIの検出には, 独立試験セットの106個のPNI正コアと1,652個のPNI負コアに基づいて, 受信機動作特性曲線0.98(95% CI 0.97-0.99)を推定した。 予め特定された操作点では、感度は0.87、特異性は0.97となる。 正と負の予測値はそれぞれ0.67と0.99である。 スライド内のPNI領域をローカライズするために、平均交点は0.50(CI: 0.46-0.55)と見積もった。 結論: 前立腺生検におけるpni検出のための深層ニューラルネットワークに基づくアルゴリズムを開発した。 これらのアルゴリズムは、pniのために評価される必要がある生検コアの数を劇的に削減し、診断に興味のある領域を強調することで、日々の作業の病理学者を助ける可能性がある。

関連論文リスト

• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 我々はU-Net、SegResNet、Swin UNETR、Attention U-Net、LightM-UNetといった最先端のディープラーニングモデルを用いて、200ドルのCDIからPCa病変を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
  本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。 深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-10-21T17:41:58Z)
• Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging [1.1567496318601842]
  医用画像ライブラリを用いた半教師ありアプローチによる腎臓検出のための高性能モデルを開発した。 モデルの一般化性を評価するには、さらなる外部検証が必要である。
  論文  参考訳（メタデータ） (2024-02-08T16:54:20Z)
• Neural Network-Based Histologic Remission Prediction In Ulcerative Colitis [38.150634108667774]
  潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解 内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。 本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T15:54:14Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Predicting Axillary Lymph Node Metastasis in Early Breast Cancer Using Deep Learning on Primary Tumor Biopsy Slides [17.564585510792227]
  深達度学習(DL)に基づく原発性腫瘍生検シグネチャを作製し,扁平上皮リンパ節(ALN)の転移を予測した。 2010年5月から2020年8月までに約1,058人のEBC患者がALNと診断された。
  論文  参考訳（メタデータ） (2021-12-04T02:23:18Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• Using deep learning to detect patients at risk for prostate cancer despite benign biopsies [0.7739635712759623]
  良性前立腺生検全スライド画像における形態的パターンを識別するために, 深部畳み込みニューラルネットワークモデルを開発し, 検証した。 提案モデルは, 定期的前立腺生検における偽陰性症例数を減少させる可能性がある。
  論文  参考訳（メタデータ） (2021-06-27T15:21:33Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Reducing false-positive biopsies with deep neural networks that utilize local and global information in screening mammograms [45.19322938294639]
  良性組織となる生検の頻度を下げることが重要である。 本研究では, 生検病変を悪性か良性のいずれかと分類するために, ディープニューラルネットワーク(DNN)を構築した。
  論文  参考訳（メタデータ） (2020-09-19T18:54:01Z)

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。