論文の概要: Computational analysis of pathological image enables interpretable prediction for microsatellite instability

• arxiv url: http://arxiv.org/abs/2010.03130v1
• Date: Wed, 7 Oct 2020 03:05:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 22:28:12.545895
• Title: Computational analysis of pathological image enables interpretable prediction for microsatellite instability
• Title（参考訳）: 病理画像の計算解析によるマイクロサテライト不安定性の予測
• Authors: Jin Zhu, Wangwei Wu, Yuting Zhang, Shiyun Lin, Yukang Jiang, Ruixian Liu, Xueqin Wang
• Abstract要約: マイクロサテライト不安定症 (MSI) はいくつかの腫瘍タイプに関連付けられ, 患者治療決定の導出においてその地位はますます重要になっている。 本研究は,医療専門家が自動的にMSIを識別するのを支援するために,病的画像解析戦略を確立するものである。 これらの戦略は、ユビキタスなヘマトキシリンと、エオシンを染色した全スライド画像しか必要とせず、The Cancer Genome Atlasから収集された3つのコホートで十分な性能を発揮する。
• 参考スコア（独自算出の注目度）: 5.774965366076466
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Microsatellite instability (MSI) is associated with several tumor types and its status has become increasingly vital in guiding patient treatment decisions. However, in clinical practice, distinguishing MSI from its counterpart is challenging since the diagnosis of MSI requires additional genetic or immunohistochemical tests. In this study, interpretable pathological image analysis strategies are established to help medical experts to automatically identify MSI. The strategies only require ubiquitous Haematoxylin and eosin-stained whole-slide images and can achieve decent performance in the three cohorts collected from The Cancer Genome Atlas. The strategies provide interpretability in two aspects. On the one hand, the image-level interpretability is achieved by generating localization heat maps of important regions based on the deep learning network; on the other hand, the feature-level interpretability is attained through feature importance and pathological feature interaction analysis. More interestingly, both from the image-level and feature-level interpretability, color features and texture characteristics are shown to contribute the most to the MSI predictions. Therefore, the classification models under the proposed strategies can not only serve as an efficient tool for predicting the MSI status of patients, but also provide more insights to pathologists with clinical understanding.
• Abstract（参考訳）: マイクロサテライト不安定症 (MSI) はいくつかの腫瘍タイプに関連付けられ, 患者治療決定の導出においてその地位はますます重要になっている。 しかし,msiの診断には遺伝子検査や免疫組織化学的検査が必要であるため,msiとmsiの鑑別は困難である。 本研究は,医療専門家が自動的にMSIを識別するのを支援するために,病的画像解析戦略を確立するものである。 この戦略はユビキタス・ヘマトキシリンとエオシンで維持された全スライド画像のみを必要とし、がんゲノムアトラスから収集された3つのコホートにおいて良好な性能を達成することができる。 戦略は2つの側面で解釈可能である。 一方、深層学習ネットワークに基づいて重要領域の局所的熱マップを生成することにより、画像レベルの解釈可能性を達成し、一方、特徴量および病理学的特徴間相互作用解析により特徴レベルの解釈性を達成する。 さらに興味深いのは、画像レベルと特徴レベルの両方の解釈性から、色の特徴とテクスチャ特性がMSI予測に最も寄与していることである。 したがって,提案手法に基づく分類モデルは,患者のmsi状態を予測するための効率的なツールとして機能するだけでなく,臨床理解を持つ病理学者にさらなる洞察を与えることができる。

関連論文リスト

• Large-scale cervical precancerous screening via AI-assisted cytology whole slide image analysis [11.148919818020495]
  頸部がんは婦人科における主要な悪性腫瘍であり続けており、世界規模で女性の健康に永続的な脅威をもたらしている。 Whole Slide Image (WSI) による早期スクリーニングは、このがんの進行を予防し、生存率を向上させるために重要である。 しかし、病理学者の単体検査は、WSI内でレビューする必要がある膨大な数の細胞のために、必然的に偽陰性に悩まされる。
  論文  参考訳（メタデータ） (2024-07-28T15:29:07Z)
• Multimodal Cross-Task Interaction for Survival Analysis in Whole Slide Pathological Images [10.996711454572331]
  病理像とゲノムプロファイルを利用した生存予測は、癌解析と予後においてますます重要である。 既存のマルチモーダル手法は、補完的な情報を統合するためのアライメント戦略に依存していることが多い。 本稿では,サブタイプ分類と生存分析タスクの因果関係を明らかにするために,MCTI(Multimodal Cross-Task Interaction)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-25T02:18:35Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• 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)
• Detecting Histologic & Clinical Glioblastoma Patterns of Prognostic Relevance [6.281092892485014]
  グリオ芽腫は中枢神経系で最も一般的で攻撃的な悪性成人腫瘍である。 18年前に現在の標準治療を採用して以降,実質的な予後改善は認められていない。 ここでは,H&E染色WSIとOSに関する臨床データから,予後関連特性の同定に焦点をあてる。
  論文  参考訳（メタデータ） (2023-02-01T18:56:09Z)
• Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation [46.678279106837294]
  半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。 クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T15:12:11Z)
• Deep Learning-Based Sparse Whole-Slide Image Analysis for the Diagnosis of Gastric Intestinal Metaplasia [5.64692772904991]
  本稿では,WSIレベル分類のための高出力ROIの迅速同定のためのスパースWSI解析手法を提案する。 本手法は胃粘膜異形成(GIM)をヘマトキシリンおよびエオシンスライド上で診断し,病理組織学的に有用であるが時間を要する課題について検討した。 提案手法は, 受信機動作特性曲線(AUC)が0.98, 平均精度(AP)が0.95のWSIレベルの分類領域を持つ全正のWSIにおいて, GIMの検出に成功している。
  論文  参考訳（メタデータ） (2022-01-05T04:43:46Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• SSMD: Semi-Supervised Medical Image Detection with Adaptive Consistency and Heterogeneous Perturbation [47.001609080453335]
  SSMD(Semi-Supervised Medical Image Detector)を提案する。 SSMDの背後にあるモチベーションは、各位置での予測を一貫性のあるものにすることで、ラベルのないデータに対して、自由かつ効果的な監視を提供することである。 広範な実験結果から,提案したSSMDは,幅広い環境下での最先端性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2021-06-03T01:59:50Z)
• Multi-task Graph Convolutional Neural Network for Calcification Morphology and Distribution Analysis in Mammograms [4.731981307843478]
  クラスター内の微細石灰化の形態と分布は、放射線学者が乳癌を診断するための最も重要な特徴です。 マンモグラムにおける微細石灰化の形状と分布を自動解析するためのマルチタスクディープグラフ畳み込みネットワーク (GCN) を提案する。
  論文  参考訳（メタデータ） (2021-05-14T13:32:47Z)

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。