論文の概要: Interpretable Survival Prediction for Colorectal Cancer using Deep
Learning
- arxiv url: http://arxiv.org/abs/2011.08965v1
- Date: Tue, 17 Nov 2020 21:57:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 17:31:46.158768
- Title: Interpretable Survival Prediction for Colorectal Cancer using Deep
Learning
- Title（参考訳）: ディープラーニングを用いた大腸癌の生存予測
- Authors: Ellery Wulczyn, David F. Steiner, Melissa Moran, Markus Plass, Robert
Reihs, Fraser Tan, Isabelle Flament-Auvigne, Trissia Brown, Peter Regitnig,
Po-Hsuan Cameron Chen, Narayan Hegde, Apaar Sadhwani, Robert MacDonald, Benny
Ayalew, Greg S. Corrado, Lily H. Peng, Daniel Tse, Heimo M\"uller, Zhaoyang
Xu, Yun Liu, Martin C. Stumpe, Kurt Zatloukal, Craig H. Mermel
- Abstract要約: 本研究は,第IIステージおよび第IIIステージ大腸癌の生存率を予測するための深層学習システム(DLS)を開発した。
深層学習に基づく画像類似性モデルから埋め込みをクラスタリングすることで、人間の解釈可能な組織学的特徴を生成した。
提案手法は,確率的深層学習モデルからの予測を解析し,潜在的に未知の確率的特徴を明らかにするのに有用である。
- 参考スコア（独自算出の注目度）: 2.9084170197404844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deriving interpretable prognostic features from deep-learning-based
prognostic histopathology models remains a challenge. In this study, we
developed a deep learning system (DLS) for predicting disease specific survival
for stage II and III colorectal cancer using 3,652 cases (27,300 slides). When
evaluated on two validation datasets containing 1,239 cases (9,340 slides) and
738 cases (7,140 slides) respectively, the DLS achieved a 5-year
disease-specific survival AUC of 0.70 (95%CI 0.66-0.73) and 0.69 (95%CI
0.64-0.72), and added significant predictive value to a set of 9
clinicopathologic features. To interpret the DLS, we explored the ability of
different human-interpretable features to explain the variance in DLS scores.
We observed that clinicopathologic features such as T-category, N-category, and
grade explained a small fraction of the variance in DLS scores (R2=18% in both
validation sets). Next, we generated human-interpretable histologic features by
clustering embeddings from a deep-learning based image-similarity model and
showed that they explain the majority of the variance (R2 of 73% to 80%).
Furthermore, the clustering-derived feature most strongly associated with high
DLS scores was also highly prognostic in isolation. With a distinct visual
appearance (poorly differentiated tumor cell clusters adjacent to adipose
tissue), this feature was identified by annotators with 87.0-95.5% accuracy.
Our approach can be used to explain predictions from a prognostic deep learning
model and uncover potentially-novel prognostic features that can be reliably
identified by people for future validation studies.
- Abstract（参考訳）: 深層学習に基づく予後病理モデルからの解釈可能な予後特徴の導出は依然として課題である。
本研究では,3,652例 (27,300スライド) を用いて,ステージIIおよびIII大腸癌の生存率を予測するための深層学習システム(DLS)を開発した。
1,239例 (9,340スライド) と738例 (7,140スライド) を含む2つのバリデーションデータセットで評価した結果, DLSは5年生存のAUCが0.70例 (95%CI 0.66-0.73) と0.69例 (95%CI 0.64-0.72) であった。
DLSを解釈するために、DLSスコアのばらつきを説明するために、異なる人間の解釈可能な特徴について検討した。
以上より,Tカテゴリー,Nカテゴリ,グレードなどの臨床病理学的特徴はDLSスコアのばらつきのごく一部を説明できた(いずれの検証セットもR2=18%)。
次に,深層学習に基づく画像類似性モデルから埋め込みをクラスタリングすることにより,人間解釈可能な組織学的特徴を生成し,その分散の大半(r2は73%から80%)を説明できることを示した。
さらに,高いdlsスコアに最も強い相関関係にあるクラスタリング由来の特徴も高い予後を示した。
異なる視覚的外観(脂肪組織に隣接する低分化腫瘍細胞群)で、87.0-95.5%の精度でアノテーターによって同定された。
このアプローチは、予測型ディープラーニングモデルからの予測を説明し、将来の検証研究のために人々が確実に特定できる潜在的な予測的特徴を明らかにするのに使うことができる。
関連論文リスト
- AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。
FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。
我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
論文 参考訳（メタデータ） (2024-06-18T03:04:52Z) - Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。
モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
論文 参考訳（メタデータ） (2024-05-12T20:02:25Z) - Variational Autoencoders for Feature Exploration and Malignancy
Prediction of Lung Lesions [0.0]
肺がんはイギリスで21%のがん死の原因となっている。
最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。
本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
論文 参考訳（メタデータ） (2023-11-27T11:12:33Z) - 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) - An interpretable machine learning system for colorectal cancer diagnosis from pathology slides [2.7968867060319735]
本研究は,約10,500個のWSIを用いて,最大規模のWSI南極サンプルデータセットを用いて行った。
提案手法は, パッチベースのタイルに対して, 異形成の重症度に基づくクラスを推定する。
病理学者が導入したドメイン知識を活用するために、解釈可能な混合スーパービジョンスキームで訓練されている。
論文 参考訳（メタデータ） (2023-01-06T17:10:32Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z) - On the explainability of hospitalization prediction on a large COVID-19
patient dataset [45.82374977939355]
我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。
高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
論文 参考訳（メタデータ） (2021-10-28T10:23:38Z) - A Pathology Deep Learning System Capable of Triage of Melanoma Specimens
Utilizing Dermatopathologist Consensus as Ground Truth [5.46895714413677]
本稿では,デジタル化された全スライド画像(WSI)の階層的な分類を行う病理深層学習システム(PDLS)を提案する。
これまでに収集されたメラノサイト標本のうち,最大規模の3つを含む7,685枚の画像を用いて,本システムを訓練した。
以上の結果から, PDLSは皮膚検体の自動分類・トリアージが可能であり, メラノサイト性虫垂症に対する感受性が高いことが示唆された。
論文 参考訳（メタデータ） (2021-09-15T19:48:51Z) - Predicting Risk of Developing Diabetic Retinopathy using Deep Learning [6.200560025035929]
糖尿病網膜症の発生に対するリスク階層化は、スクリーニング間隔を最適化し、コストを削減し、視力改善に役立つ可能性がある。
糖尿病患者のDRスクリーニングにおける軽度Worse(Mild+)DRの発生を予測するために,DLS(Deep Learning System)の2つのバージョンを作成し,検証した。
論文 参考訳（メタデータ） (2020-08-10T19:07:22Z) - Machine Learning Automatically Detects COVID-19 using Chest CTs in a
Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。
新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。
深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文 参考訳（メタデータ） (2020-06-09T00:40:35Z)
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。