論文の概要: Development and Evaluation of a Deep Neural Network for Histologic
Classification of Renal Cell Carcinoma on Biopsy and Surgical Resection
Slides
- arxiv url: http://arxiv.org/abs/2010.16380v1
- Date: Fri, 30 Oct 2020 17:20:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 17:22:02.899740
- Title: Development and Evaluation of a Deep Neural Network for Histologic
Classification of Renal Cell Carcinoma on Biopsy and Surgical Resection
Slides
- Title（参考訳）: 腎細胞癌の生検・切除スライドにおける組織学的分類のためのディープニューラルネットワークの開発と評価
- Authors: Mengdan Zhu, Bing Ren, Ryland Richards, Matthew Suriawinata, Naofumi
Tomita, Saeed Hassanpour
- Abstract要約: 我々は,デジタル化された外科切除スライドと生検スライドを正確に分類できるディープニューラルネットワークモデルを開発した。
以上の結果から,異なるデータソースと標本タイプにまたがるアプローチの一般化可能性が高いことが示唆された。
- 参考スコア（独自算出の注目度）: 1.586625608934987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Renal cell carcinoma (RCC) is the most common renal cancer in adults. The
histopathologic classification of RCC is essential for diagnosis, prognosis,
and management of patients. Reorganization and classification of complex
histologic patterns of RCC on biopsy and surgical resection slides under a
microscope remains a heavily specialized, error-prone, and time-consuming task
for pathologists. In this study, we developed a deep neural network model that
can accurately classify digitized surgical resection slides and biopsy slides
into five related classes: clear cell RCC, papillary RCC, chromophobe RCC,
renal oncocytoma, and normal. In addition to the whole-slide classification
pipeline, we visualized the identified indicative regions and features on
slides for classification by reprocessing patch-level classification results to
ensure the explainability of our diagnostic model. We evaluated our model on
independent test sets of 78 surgical resection whole slides and 79 biopsy
slides from our tertiary medical institution, and 69 randomly selected surgical
resection slides from The Cancer Genome Atlas (TCGA) database. The average area
under the curve (AUC) of our classifier on the internal resection slides,
internal biopsy slides, and external TCGA slides is 0.98, 0.98 and 0.99,
respectively. Our results suggest that the high generalizability of our
approach across different data sources and specimen types. More importantly,
our model has the potential to assist pathologists by (1) automatically
pre-screening slides to reduce false-negative cases, (2) highlighting regions
of importance on digitized slides to accelerate diagnosis, and (3) providing
objective and accurate diagnosis as the second opinion.
- Abstract（参考訳）: 腎細胞癌 (rcc) は、成人で最も多い腎がんである。
RCCの病理組織学的分類は、患者の診断、予後、管理に不可欠である。
顕微鏡下生検および外科的切除スライドにおけるRCCの複雑な組織学的パターンの再編成と分類は、病理医にとって非常に専門的で、エラーを起こし、時間を要する課題である。
本研究では, 深部神経回路モデルを用いて, 外科的切除スライドと生検スライドを, クリアセルRCC, 乳頭RCC, クロモフォブRCC, 腎腫瘍, 正常の5つの関連クラスに正確に分類することができる。
診断モデルの説明可能性を確保するため,パッチレベルの分類結果の再処理による分類用スライド上の識別指標領域と特徴を可視化した。
今回我々は,第3次医療機関からの78例の手術全例と79例の生検例と,癌ゲノムアトラス(tcga)データベースからランダムに選択された69例の手術全例について評価した。
内生検スライド,内生検スライドおよび外生検スライドにおける分類器の曲線(AUC)の平均面積は0.98,0.98,0.99である。
その結果、異なるデータソースと標本タイプにまたがるアプローチの高一般化性が示唆された。
さらに,(1)偽陰性症例を自動スクリーニングし,(2)診断を加速するデジタル化スライドの重要性領域を強調し,(3)客観的かつ正確な診断を第2の意見として提供することにより,病理学者を支援する可能性を秘めている。
関連論文リスト
- Latent Disentanglement in Mesh Variational Autoencoders Improves the
Diagnosis of Craniofacial Syndromes and Aids Surgical Planning [42.017495658167334]
Swap Disentangled Variational AutoencoderのCrouzon, Apert, Muenke 症候群への応用について検討する。
生成モデルの具体的パラメータを操作することにより,脳外科手術の結果をシミュレートすることも可能である。
論文 参考訳（メタデータ） (2023-09-05T13:16:53Z) - Meta-information-aware Dual-path Transformer for Differential Diagnosis
of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。
提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。
以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-03-02T03:34:28Z) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳（メタデータ） (2022-09-27T14:08:19Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - A Computer-Aided Diagnosis System for Breast Pathology: A Deep Learning
Approach with Model Interpretability from Pathological Perspective [6.583997407109283]
深層学習による病変検出と分類のためのコンピュータ支援診断システム(CAD)を開発した。
本研究では, 畳み込みニューラルネットワーク(CNN)の分類において, 深い特徴が示され, 包括的解釈が可能となった。
論文 参考訳（メタデータ） (2021-08-05T14:43:59Z) - Histogram of Cell Types: Deep Learning for Automated Bone Marrow
Cytology [3.8385120184415418]
細胞型ヒストグラム(HCT)は骨髄のクラス分布の新規な表現である。
HCTは、血液病理診断に革命をもたらす可能性があり、よりコスト効率が高く、正確な診断をもたらし、正確な医療を行うための扉を開く。
論文 参考訳（メタデータ） (2021-07-05T21:55:00Z) - Deeply supervised UNet for semantic segmentation to assist
dermatopathological assessment of Basal Cell Carcinoma (BCC) [2.031570465477242]
unetアーキテクチャに基づく複数のモデルを用いた意味セグメンテーションによる基底細胞癌(bcc)の検出に焦点を当てた。
unetネットワークの最初の2つの異なるエンコーダと2つの追加のトレーニング戦略を分析した。
最高のモデルは、テストセット上の96%、精度、感度、および特異性を達成します。
論文 参考訳（メタデータ） (2021-03-05T15:39:55Z) - Glioma Classification Using Multimodal Radiology and Histology Data [0.41883694872353855]
グリオーマを,オリゴデンドログリオーマ,アストロサイトーマ,グリオ芽腫の3つのサブタイプに分類するパイプラインを提案する。
分類アルゴリズムは, CPM-RadPath 2020 チャレンジで提供されるデータセットを用いて評価した。
論文 参考訳（メタデータ） (2020-11-10T21:38:26Z)
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。