論文の概要: NaroNet: Objective-based learning of the tumor microenvironment from highly multiplexed immunostained images

• arxiv url: http://arxiv.org/abs/2103.05385v1
• Date: Tue, 9 Mar 2021 12:08:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-11 18:24:06.558536
• Title: NaroNet: Objective-based learning of the tumor microenvironment from highly multiplexed immunostained images
• Title（参考訳）: NaroNet:高多重免疫染色画像による腫瘍微小環境の客観的学習
• Authors: Daniel Jim\'enez-S\'anchez, Mikel Ariz, Hang Chang, Xavier Matias-Guiu, Carlos E. de Andrea and Carlos Ortiz-de-Sol\'orzano
• Abstract要約: 腫瘍マイクロ環境のマルチスケールその場解析を統合した機械学習フレームワークであるNaroNetについて述べる。 NaroNetは、予測タスクに最も影響する表現型、近隣、および近隣の相互作用を定量化する。 合成データセットと実データセットの両方において、NaroNetはこれらの予測を特定のTMEの存在に関連付けながら優れた予測を提供します。
• 参考スコア（独自算出の注目度）: 2.7250495663241106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present NaroNet, a Machine Learning framework that integrates the multiscale spatial, in situ analysis of the tumor microenvironment (TME) with patient-level predictions into a seamless end-to-end learning pipeline. Trained only with patient-level labels, NaroNet quantifies the phenotypes, neighborhoods, and neighborhood interactions that have the highest influence on the predictive task. We validate NaroNet using synthetic data simulating multiplex-immunostained images with adjustable probabilistic incidence of different TMEs. Then we apply our model to two real sets of patient tumors, one consisting of 336 seven-color multiplex-immunostained images from 12 high-grade endometrial cancers, and the other consisting of 372 35-plex mass cytometry images from 283 breast cancer patients. In both synthetic and real datasets, NaroNet provides outstanding predictions while associating those predictions to the presence of specific TMEs. This inherent interpretability could be of great value both in a clinical setting and as a tool to discover novel biomarker signatures.
• Abstract（参考訳）: NaroNetは、マルチスケール空間を統合した機械学習フレームワークであり、腫瘍微小環境(TME)と患者レベルの予測をシームレスなエンドツーエンドの学習パイプラインに統合します。 NaroNetは患者レベルのラベルだけで訓練され、予測タスクに最も影響を与える表現型、近傍、近隣の相互作用を定量化する。 異なるTMEの確率的発生を調節可能な多重免疫染色画像の合成データを用いて,NaroNetの検証を行った。 そこで本研究では,高品位子宮内膜癌12例の336個の7色多重免疫染色像と,乳癌283例の372個の35倍の集団細胞診像からなる2種類の患者腫瘍について検討した。 合成データセットと実データセットの両方において、NaroNetはこれらの予測を特定のTMEの存在に関連付けながら優れた予測を提供します。 この内在的な解釈性は、臨床場面でも、新しいバイオマーカーのシグネチャを発見するツールとしても非常に有用である。

関連論文リスト

• 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)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• Counterfactual Image Synthesis for Discovery of Personalized Predictive Image Markers [0.293168019422713]
  そこで本研究では,深部条件生成モデルを用いて,主観的疾患の進展に関連があるベースライン画像の局所像特徴を摂動させることが可能であることを示す。 本モデルでは, 臨床像を反映した画像特徴の変化により, 集団レベルでのMRI像の現況を予測し, 治療効果を検証した。
  論文  参考訳（メタデータ） (2022-08-03T18:58:45Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Metastatic Cancer Outcome Prediction with Injective Multiple Instance Pooling [1.0965065178451103]
  我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。 結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。 本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
  論文  参考訳（メタデータ） (2022-03-09T16:58:03Z)
• 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)
• AMINN: Autoencoder-based Multiple Instance Neural Network for Outcome Prediction of Multifocal Liver Metastases [1.7294318054149134]
  多発性は大腸癌肝転移で頻繁に起こる。 既存のバイオマーカーのほとんどは、すべての多焦点病変の像の特徴を考慮に入れていない。 本稿では、生存確率を予測するために、エンドツーエンドのオートエンコーダベースマルチインスタンスニューラルネットワーク(AMINN)を提案する。
  論文  参考訳（メタデータ） (2020-12-12T17:52:14Z)
• Deep Multi-path Network Integrating Incomplete Biomarker and Chest CT Data for Evaluating Lung Cancer Risk [4.822738153096615]
  マルチパスマルチモーダル欠落ネットワーク(M3Net)と呼ばれる新しいネットワーク設計を提案する。 マルチモーダルデータ(CDE、バイオマーカー、CT画像など)を統合することで、マルチパスニューラルネットワークによるモダリティの欠如を考慮できる。 ネットワークは、医療画像の特徴とCDE/バイオマーカーの両方でエンドツーエンドにトレーニングしたり、単一のモダリティで予測することができる。
  論文  参考訳（メタデータ） (2020-10-19T13:55:40Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)
• Segmentation of Cellular Patterns in Confocal Images of Melanocytic Lesions in vivo via a Multiscale Encoder-Decoder Network (MED-Net) [2.0487455621441377]
  マルチスケールデコーダネットワーク(MED-Net)は,パターンのクラスに定量的なラベル付けを行う。 メラノサイト病変の117個の反射共焦点顕微鏡(RCM)モザイクの非重畳分割について,本モデルを訓練・試験した。
  論文  参考訳（メタデータ） (2020-01-03T22:34:52Z)

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。