論文の概要: Data Efficient and Weakly Supervised Computational Pathology on Whole Slide Images

• arxiv url: http://arxiv.org/abs/2004.09666v2
• Date: Fri, 22 May 2020 02:03:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 18:30:47.982824
• Title: Data Efficient and Weakly Supervised Computational Pathology on Whole Slide Images
• Title（参考訳）: スライド画像全体の計算病理の効率的かつ弱い教師付きデータ
• Authors: Ming Y. Lu, Drew F. K. Williamson, Tiffany Y. Chen, Richard J. Chen, Matteo Barbieri and Faisal Mahmood
• Abstract要約: 計算病理学は、客観的診断、治療反応予測、臨床関連性の新たな形態学的特徴の同定を可能にする可能性がある。 ディープラーニングベースの計算病理学アプローチでは、完全に教師された設定でギガピクセル全体のスライド画像(WSI)のマニュアルアノテーションを必要とするか、弱い教師付き設定でスライドレベルのラベルを持つ何千ものWSIを必要とする。 ここでは、クラスタリングに制約のある複数のインスタンス学習について紹介する。
• 参考スコア（独自算出の注目度）: 4.001273534300757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapidly emerging field of computational pathology has the potential to enable objective diagnosis, therapeutic response prediction and identification of new morphological features of clinical relevance. However, deep learning-based computational pathology approaches either require manual annotation of gigapixel whole slide images (WSIs) in fully-supervised settings or thousands of WSIs with slide-level labels in a weakly-supervised setting. Moreover, whole slide level computational pathology methods also suffer from domain adaptation and interpretability issues. These challenges have prevented the broad adaptation of computational pathology for clinical and research purposes. Here we present CLAM - Clustering-constrained attention multiple instance learning, an easy-to-use, high-throughput, and interpretable WSI-level processing and learning method that only requires slide-level labels while being data efficient, adaptable and capable of handling multi-class subtyping problems. CLAM is a deep-learning-based weakly-supervised method that uses attention-based learning to automatically identify sub-regions of high diagnostic value in order to accurately classify the whole slide, while also utilizing instance-level clustering over the representative regions identified to constrain and refine the feature space. In three separate analyses, we demonstrate the data efficiency and adaptability of CLAM and its superior performance over standard weakly-supervised classification. We demonstrate that CLAM models are interpretable and can be used to identify well-known and new morphological features. We further show that models trained using CLAM are adaptable to independent test cohorts, cell phone microscopy images, and biopsies. CLAM is a general-purpose and adaptable method that can be used for a variety of different computational pathology tasks in both clinical and research settings.
• Abstract（参考訳）: 急速に発展する計算病理学の分野は、客観的診断、治療応答予測、臨床関連性の新たな形態学的特徴の同定を可能にする可能性がある。 しかし、ディープラーニングベースの計算病理学アプローチでは、完全な教師付き環境ではギガピクセル全体のスライド画像(WSI)のマニュアルアノテーションを必要とするか、弱い教師付き環境ではスライドレベルのラベルを持つ何千ものWSIを必要とする。 さらに、全体のスライドレベルの計算病理学手法はドメイン適応や解釈可能性の問題も抱えている。 これらの課題は、臨床および研究目的での計算病理学の広範な適応を妨げる。 本稿では,データ効率,適応性,マルチクラスのサブタイピング問題に対処可能な,クラスタリングに制約のある複数インスタンス学習,使いやすさ,高スループット,解釈可能なWSIレベルの処理および学習方法を提案する。 CLAMは、注目に基づく学習を用いて、スライド全体を正確に分類するために、高い診断値のサブリージョンを自動的に識別し、また特徴空間を制約し洗練するために特定された代表領域上のインスタンスレベルのクラスタリングを利用する。 3つの分析結果から,clamのデータ効率と適応性,および標準弱教師付き分類よりも優れた性能を示す。 CLAMモデルは解釈可能であり、よく知られた新しい形態的特徴を識別することができる。 さらに,clamを用いてトレーニングしたモデルが,独立したテストコホート,携帯電話顕微鏡画像,生検に適応可能であることも示す。 CLAMは汎用的で適応可能な手法であり、臨床と研究の両方で様々な計算病理タスクに使用できる。

関連論文リスト

• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• WEEP: A method for spatial interpretation of weakly supervised CNN models in computational pathology [0.36096289461554343]
  モデル解釈のための新しい方法 Wsi rEgion sElection aPproach (WEEP) を提案する。 乳がん計算病理領域における二分分類課題におけるWEEPについて検討した。
  論文  参考訳（メタデータ） (2024-03-22T14:32:02Z)
• Reducing self-supervised learning complexity improves weakly-supervised classification performance in computational pathology [0.0]
  自己教師付き学習(SSL)法は、注釈のないデータの大規模解析を可能にする。 本研究では、SSLの分類性能と、コンシューマグレードハードウェアの利用に関する複雑さについて検討した。 実験により,SSLトレーニング期間を90%短縮しつつ,下流分類性能を向上できることが実証された。
  論文  参考訳（メタデータ） (2024-03-07T14:56:06Z)
• A self-supervised framework for learning whole slide representations [52.774822784847565]
  我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。 バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
  論文  参考訳（メタデータ） (2024-02-09T05:05:28Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• Improving Interpretability for Computer-aided Diagnosis tools on Whole Slide Imaging with Multiple Instance Learning and Gradient-based Explanations [2.5461557112299773]
  我々はWSI分類アーキテクチャの設計を形式化し、断片的解釈可能性アプローチを提案する。 本研究の目的は,タイルレベルスコアに基づいて決定を下す方法,タイルスコアがどう決定されるか,どの機能を用いてタスクに関連があるかを説明することである。 そこで本研究では,AUCにおけるタイルレベルの分類性能を29%以上向上させる,新しい解釈可能性スライドレベルの熱マップを提案する。
  論文  参考訳（メタデータ） (2020-09-29T13:39:27Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。