Fugu-MT 論文翻訳(概要): Predicting molecular phenotypes from histopathology images: a transcriptome-wide expression-morphology analysis in breast cancer

論文の概要: Predicting molecular phenotypes from histopathology images: a transcriptome-wide expression-morphology analysis in breast cancer

arxiv url: http://arxiv.org/abs/2009.08917v1
Date: Fri, 18 Sep 2020 16:27:53 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 03:42:49.980468
Title: Predicting molecular phenotypes from histopathology images: a transcriptome-wide expression-morphology analysis in breast cancer
Title（参考訳）: 病理組織像からの分子性表現型予測 : 乳癌における全発現形態解析
Authors: Yinxi Wang, Kimmo Kartasalo, Masi Valkonen, Christer Larsson, Pekka Ruusuvuori, Johan Hartman, Mattias Rantalainen
Abstract要約: 乳癌におけるトランススクリプトームワイド・モロフォロジー(EMO)解析を初めて報告した。遺伝子特異的モデルはmRNA発現の予測のために最適化され、検証された。 9,334遺伝子の予測はRNA配列推定と大きく関連していた。
参考スコア（独自算出の注目度）: 1.3758771225117674
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Molecular phenotyping is central in cancer precision medicine, but remains costly and standard methods only provide a tumour average profile. Microscopic morphological patterns observable in histopathology sections from tumours are determined by the underlying molecular phenotype and associated with clinical factors. The relationship between morphology and molecular phenotype has a potential to be exploited for prediction of the molecular phenotype from the morphology visible in histopathology images. We report the first transcriptome-wide Expression-MOrphology (EMO) analysis in breast cancer, where gene-specific models were optimised and validated for prediction of mRNA expression both as a tumour average and in spatially resolved manner. Individual deep convolutional neural networks (CNNs) were optimised to predict the expression of 17,695 genes from hematoxylin and eosin (HE) stained whole slide images (WSIs). Predictions for 9,334 (52.75%) genes were significantly associated with RNA-sequencing estimates (FDR adjusted p-value < 0.05). 1,011 of the genes were brought forward for validation, with 876 (87%) and 908 (90%) successfully replicated in internal and external test data, respectively. Predicted spatial intra-tumour variabilities in expression were validated in 76 genes, out of which 59 (77.6%) had a significant association (FDR adjusted p-value < 0.05) with spatial transcriptomics estimates. These results suggest that the proposed methodology can be applied to predict both tumour average gene expression and intra-tumour spatial expression directly from morphology, thus providing a scalable approach to characterise intra-tumour heterogeneity.
Abstract（参考訳）: 分子フェノタイピングはがんの精密医療の中心であるが、コストがかかり、標準法は腫瘍の平均プロファイルのみを提供する。腫瘍から病理組織学的に観察できる微視的形態パターンは、基礎となる分子的表現型によって決定され、臨床因子に関連する。形態と分子表現型との関係は、病理組織画像で見られる形態から分子表現型を予測するために利用される可能性がある。乳癌では, 腫瘍平均および空間的に解析された方法でmRNAの発現を予測するために, 遺伝子特異的モデルが最適化され, 検証された。ヘマトキシリンとエオシン(HE)による17,695遺伝子の発現を予測するために,個々の深部畳み込みニューラルネットワーク(CNN)を最適化した。 9,334 (52.75%)の遺伝子の予測はRNA配列推定(FDR調整p-value < 0.05)と大きく関連していた。 1,011の遺伝子が検証され、876 (87%) と908 (90%) がそれぞれ内部および外部の試験データに再現された。 76遺伝子のうち59遺伝子(77.6%)は、空間転写学的推定と有意な相関(FDR調整p値 < 0.05)を持っていた。以上の結果から, 提案手法は, 形態学から直接腫瘍平均遺伝子発現と腫瘍内空間表現を予測し, 腫瘍内不均一性を特徴付けるスケーラブルなアプローチをもたらすことが示唆された。

関連論文リスト

TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文参考訳（メタデータ） (2024-11-05T19:35:10Z)
hist2RNA: An efficient deep learning architecture to predict gene expression from breast cancer histopathology images [11.822321981275232]
深層学習アルゴリズムは、デジタル病理画像中の形態パターンを効果的に抽出し、分子の表現型を迅速かつ低コストで予測することができる。我々は,138遺伝子の発現を予測するために,バルクRNAシークエンシング技術にインスパイアされたhist2RNAという新しい計算効率の高い手法を提案する。
論文参考訳（メタデータ） (2023-04-10T10:54:32Z)
Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文参考訳（メタデータ） (2023-03-23T18:50:18Z)
Breast Cancer Histopathology Image based Gene Expression Prediction using Spatial Transcriptomics data and Deep Learning [3.583756449759971]
本稿では,病理組織像から遺伝子発現を予測するためのディープラーニングフレームワークBrST-Netを提案する。我々は,250遺伝子の予測に事前訓練した重みを使わずに10種類の最先端ディープラーニングモデルを訓練し,評価した。本手法は,0.50以上の正相関係数を持つ24遺伝子を含む237遺伝子を同定し,過去の研究より優れていた。
論文参考訳（メタデータ） (2023-03-17T14:03:40Z)
Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。遺伝子発現は癌の早期発見において基本的な役割を担っている。本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文参考訳（メタデータ） (2023-01-28T15:03:03Z)
rfPhen2Gen: A machine learning based association study of brain imaging phenotypes to genotypes [71.1144397510333]
56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
論文参考訳（メタデータ） (2022-03-31T20:15:22Z)
All You Need is Color: Image based Spatial Gene Expression Prediction using Neural Stain Learning [11.9045433112067]
本研究では,空間的転写学的遺伝子発現プロファイルの予測のための機械学習手法を提案する。提案手法から得られた遺伝子発現予測は,シークエンシングにより得られた真の表現値と高い相関関係を示した。
論文参考訳（メタデータ） (2021-08-23T23:43:38Z)
Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable Multimodal Deep Learning [4.764927152701701]
14種類のがん患者5,720人のスライド画像,RNA配列,コピー数の変化,および突然変異データを統合する。我々の解釈可能な、弱教師付き、マルチモーダルなディープラーニングアルゴリズムは、これらの不均一なモダリティを融合して結果を予測することができる。本研究は,全ての癌型にまたがる予後予測に寄与する形態学的および分子マーカーを解析する。
論文参考訳（メタデータ） (2021-08-04T20:40:05Z)
Transcriptome-wide prediction of prostate cancer gene expression from histopathology images using co-expression based convolutional neural networks [0.8874479658912061]
形態と遺伝子発現の関係を特異的にモデル化する新しい計算効率の高い手法を提案する。前立腺癌におけるRNA塩基配列推定のためのCNNを用いた第1回トランスクリプトーム解析を行った。
論文参考訳（メタデータ） (2021-04-19T13:50:25Z)
Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文参考訳（メタデータ） (2021-02-11T09:04:45Z)
Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文参考訳（メタデータ） (2021-02-10T15:10:37Z)

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。