論文の概要: Hierarchical Deep Learning Ensemble to Automate the Classification of Breast Cancer Pathology Reports by ICD-O Topography

• arxiv url: http://arxiv.org/abs/2008.12571v1
• Date: Fri, 28 Aug 2020 10:29:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 01:55:20.023855
• Title: Hierarchical Deep Learning Ensemble to Automate the Classification of Breast Cancer Pathology Reports by ICD-O Topography
• Title（参考訳）: ICD-Oトポグラフィーによる乳癌診断の自動化を目的とした階層的深層学習
• Authors: Waheeda Saib, David Sengeh, Gcininwe Dlamini, Elvira Singh
• Abstract要約: 本稿では,2201の病理報告の自動ラベリングに,アート畳み込みニューラルネットワークモデルの状態を取り入れた階層型深層学習アンサンブル法を提案する。 その結果,F1マイクロは14%以上,F1マクロスコアは55%以上であった。
• 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: Like most global cancer registries, the National Cancer Registry in South Africa employs expert human coders to label pathology reports using appropriate International Classification of Disease for Oncology (ICD-O) codes spanning 42 different cancer types. The annotation is extensive for the large volume of cancer pathology reports the registry receives annually from public and private sector institutions. This manual process, coupled with other challenges results in a significant 4-year lag in reporting of annual cancer statistics in South Africa. We present a hierarchical deep learning ensemble method incorporating state of the art convolutional neural network models for the automatic labelling of 2201 de-identified, free text pathology reports, with appropriate ICD-O breast cancer topography codes across 8 classes. Our results show an improvement in primary site classification over the state of the art CNN model by greater than 14% for F1 micro and 55% for F1 macro scores. We demonstrate that the hierarchical deep learning ensemble improves on state-of-the-art models for ICD-O topography classification in comparison to a flat multiclass model for predicting ICD-O topography codes for pathology reports.
• Abstract（参考訳）: 南アフリカの国立がん登録所(National Cancer Registry)は、多くのがん登録所と同様に、42種類のがんにまたがる適切な国際がん疾患分類(ICD-O)コードを用いて、専門の人間コーダーを用いて病理報告をラベル付けしている。 このアノテーションは、公立および民間の機関から毎年受け取っているがん病理報告の膨大な量に対して広く使われている。 この手動のプロセスと他の課題が組み合わさって、南アフリカの毎年のがん統計の報告が4年遅れる結果となった。 本研究では,2201の未同定自由テキスト病理報告の自動ラベル付けに,術式畳み込みニューラルネットワークモデルの状態を組み込んだ階層型深層学習アンサンブル法と,8つのクラスにまたがる適切なICD-O乳がんトポグラフィーコードについて述べる。 以上の結果から,art cnnモデルではf1マイクロでは14%以上,f1マクロスコアでは55%の改善が認められた。 階層型ディープラーニングアンサンブルは,病理診断のためのicd-oトポグラフィコードを予測するためのフラットマルチクラスモデルと比較して,icd-oトポグラフィ分類の最先端モデルを改善している。

関連論文リスト

• Hierarchical Classification System for Breast Cancer Specimen Report (HCSBC) -- an end-to-end model for characterizing severity and diagnosis [3.4454444815042735]
  階層型ハイブリッドトランスフォーマーベースパイプライン(59ラベル)の開発 -乳癌検体分類システム(HCSBC)- 我々は、EUHデータに基づいてモデルをトレーニングし、2つの外部データセット(MGHとMayo Clinical)でモデルの性能を評価した。
  論文  参考訳（メタデータ） (2023-11-02T18:37:45Z)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [51.14431540035141]
  下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。 4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• ICDBigBird: A Contextual Embedding Model for ICD Code Classification [71.58299917476195]
  文脈単語埋め込みモデルは、複数のNLPタスクにおいて最先端の結果を得た。 ICDBigBirdは、Graph Convolutional Network(GCN)を統合するBigBirdベースのモデルである。 ICD分類作業におけるBigBirdモデルの有効性を実世界の臨床データセットで実証した。
  論文  参考訳（メタデータ） (2022-04-21T20:59:56Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Automated risk classification of colon biopsies based on semantic segmentation of histopathology images [4.144141972397873]
  本稿では,大腸病理組織像の自動評価における2つの大きな課題に対処するアプローチを提案する。 まず,H&E-Stained whole-slide画像中の複数の組織を分割するAIを用いた手法を提案する。 第2に、コンピュータ支援診断システムの基盤として、最高のAIモデルを使用する。
  論文  参考訳（メタデータ） (2021-09-16T11:50:10Z)
• A Novel Self-Learning Framework for Bladder Cancer Grading Using Histopathological Images [1.244681179922733]
  組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。 組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
  論文  参考訳（メタデータ） (2021-06-25T11:04:04Z)
• 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)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Hierarchical Deep Learning Classification of Unstructured Pathology Reports to Automate ICD-O Morphology Grading [0.0]
  本稿では,畳み込みニューラルネットワークモデルを用いた階層的深層学習分類手法を提案する。 ICD-O形態素分類のためのフラット・マルチクラスCNNモデルと比較して,階層的深層学習分類法では性能が向上することが実証された。
  論文  参考訳（メタデータ） (2020-08-28T12:36:58Z)
• Classification of cancer pathology reports: a large-scale comparative study [8.211700929845689]
  我々は,ICD-O3トポグラフィーと形態素コードの自動割り当てに最先端のディープラーニング技術を適用した。 イタリア語で書かれ、トスカーナの病院で10年以上に渡り収集された大量のデータセット(ラベル付き8万件以上、匿名化未報告1万件以上)と多数のクラスについて報告する。
  論文  参考訳（メタデータ） (2020-06-29T20:47:33Z)

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。