論文の概要: Deep Learning-based Computational Pathology Predicts Origins for Cancers of Unknown Primary

• arxiv url: http://arxiv.org/abs/2006.13932v2
• Date: Mon, 29 Jun 2020 02:38:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 13:34:41.433961
• Title: Deep Learning-based Computational Pathology Predicts Origins for Cancers of Unknown Primary
• Title（参考訳）: 深層学習に基づく計算病理学による原発不明癌の発生予測
• Authors: Ming Y. Lu, Melissa Zhao, Maha Shady, Jana Lipkova, Tiffany Y. Chen, Drew F. K. Williamson, Faisal Mahmood
• Abstract要約: 原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。 最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。 深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 2.645435564532842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer of unknown primary (CUP) is an enigmatic group of diagnoses where the primary anatomical site of tumor origin cannot be determined. This poses a significant challenge since modern therapeutics such as chemotherapy regimen and immune checkpoint inhibitors are specific to the primary tumor. Recent work has focused on using genomics and transcriptomics for identification of tumor origins. However, genomic testing is not conducted for every patient and lacks clinical penetration in low resource settings. Herein, to overcome these challenges, we present a deep learning-based computational pathology algorithm-TOAD-that can provide a differential diagnosis for CUP using routinely acquired histology slides. We used 17,486 gigapixel whole slide images with known primaries spread over 18 common origins to train a multi-task deep model to simultaneously identify the tumor as primary or metastatic and predict its site of origin. We tested our model on an internal test set of 4,932 cases with known primaries and achieved a top-1 accuracy of 0.84, a top-3 accuracy of 0.94 while on our external test set of 662 cases from 202 different hospitals, it achieved a top-1 and top-3 accuracy of 0.79 and 0.93 respectively. We further curated a dataset of 717 CUP cases from 151 different medical centers and identified a subset of 290 cases for which a differential diagnosis was assigned. Our model predictions resulted in concordance for 50% of cases (\k{appa}=0.4 when adjusted for agreement by chance) and a top-3 agreement of 75%. Our proposed method can be used as an assistive tool to assign differential diagnosis to complicated metastatic and CUP cases and could be used in conjunction with or in lieu of immunohistochemical analysis and extensive diagnostic work-ups to reduce the occurrence of CUP.
• Abstract（参考訳）: 原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。 化学療法療法や免疫チェックポイント阻害剤などの現代の治療法は原発性腫瘍に特異的であるため、これは大きな課題となる。 最近の研究は、腫瘍起源の同定にゲノム学と転写学を使うことに焦点をあてている。 しかし、ゲノム検査は全ての患者に対して行われておらず、低資源環境における臨床侵入が欠如している。 本稿では,これらの課題を克服するために,日常的に取得したヒストロジースライドを用いてCUPの鑑別診断を行う深層学習に基づく計算病理アルゴリズム-TOADを提案する。 われわれは17,486ギガピクセルのスライド画像と18の共通起源に散在する既知の予備画像を用いてマルチタスク深部モデルを訓練し,腫瘍を原発性または転移性と同定し,発生部位を推定した。 予備例4,932例の内的テストセットで,トップ1の精度が0.84例,トップ3の精度が0.94例,外的テストセットが202病院662例,トップ3の精度が0.79例,トップ3の精度が0.93例であった。 さらに151の異なる医療センターから717のCUP症例のデータセットを収集し,鑑別診断を行った290症例のサブセットを同定した。 モデル予測の結果,50%の症例(偶然に調整された場合,\k{appa}=0.4)とトップ3合意(75%)が一致した。 本手法は, 複雑な転移性およびCUP症例に鑑別診断を割り当てる補助具として使用することができ, 免疫組織化学的解析と広範な診断作業の併用によりCUPの発生を減少させることができる。

関連論文リスト

• Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
  我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。 BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。 上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
  論文  参考訳（メタデータ） (2024-05-16T03:23:57Z)
• Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient Network [37.931408083443074]
  Pixel-Lesion-pAtient Network (PLAN) は, アンカークエリの改善と前景のサンプリング損失による各病変の分割と分類を行う。 PLANは95%と96%の患者レベルの感度と特異性を達成している。 造影CTでは, 病変レベルの検出精度, リコール, 分類精度は92%, 89%, 86%であり, CNNやトランスフォーマーよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-17T06:21:45Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• CancerUniT: Towards a Single Unified Model for Effective Detection, Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans [45.83431075462771]
  ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。 ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。 CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
  論文  参考訳（メタデータ） (2023-01-28T20:09:34Z)
• MRI-based classification of IDH mutation and 1p/19q codeletion status of gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
  グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。 我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。 2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
  論文  参考訳（メタデータ） (2022-10-07T18:46:39Z)
• 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)
• Computer-Aided Diagnosis of Low Grade Endometrial Stromal Sarcoma (LGESS) [4.492630871726495]
  低悪性度間質肉腫(LGESS)はまれながんであり、全子宮癌症例の約0.2%を占める。 本研究は,LGESS患者の子宮組織生検像をセグメント化および染色正規化アルゴリズムを用いて前処理するものである。 様々な古典的な機械学習と先進的なディープラーニングモデルを適用して、組織像を良性または癌性のいずれかに分類する。
  論文  参考訳（メタデータ） (2021-07-09T00:41:18Z)
• WHO 2016 subtyping and automated segmentation of glioma using multi-task deep learning [2.8881360490071786]
  我々は1つのマルチタスク畳み込みニューラルネットワークを開発し,IDHの変異状況,1p/19qの同時欠失状態,腫瘍のグレードを予測した。 我々は13の異なる施設から240人の患者を独立したデータセットで分析し、IDH-AUC 0.90, 1p/19q-AUC 0.85, grade-AUC 0.81, mean whole tumor DICE score 0.84を達成した。
  論文  参考訳（メタデータ） (2020-10-09T08:18:53Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)

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。