論文の概要: Hoechst Is All You Need: LymphocyteClassification with Deep Learning
- arxiv url: http://arxiv.org/abs/2107.04388v1
- Date: Fri, 9 Jul 2021 12:33:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-12 19:54:24.322199
- Title: Hoechst Is All You Need: LymphocyteClassification with Deep Learning
- Title（参考訳）: hoechstは必要なすべてだ:深層学習によるリンパ球分類
- Authors: Jessica Cooper, In Hwa Um, Ognjen Arandjelovi\'c and David J Harrison
- Abstract要約: フーチスト染色はより安価で実行が容易であるが、この場合、免疫蛍光技術によって標的となるタンパク質よりもDNAに結合するため、一般的には使われない。
以前は、DNA形態のみに基づいてこれらのタンパク質を発現する細胞を区別することは不可能であった。
この研究では、ディープ畳み込みニューラルネットワークをトレーニングし、90%以上の精度で3つのタンパク質を発現する細胞を同定し、リコールする。
- 参考スコア（独自算出の注目度）: 15.530447606593238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiplex immunofluorescence and immunohistochemistry benefit patients by
allowing cancer pathologists to identify several proteins expressed on the
surface of cells, enabling cell classification, better understanding of the
tumour micro-environment, more accurate diagnoses, prognoses, and tailored
immunotherapy based on the immune status of individual patients. However, they
are expensive and time consuming processes which require complex staining and
imaging techniques by expert technicians. Hoechst staining is much cheaper and
easier to perform, but is not typically used in this case as it binds to DNA
rather than to the proteins targeted by immunofluorescent techniques, and it
was not previously thought possible to differentiate cells expressing these
proteins based only on DNA morphology. In this work we show otherwise, training
a deep convolutional neural network to identify cells expressing three proteins
(T lymphocyte markers CD3 and CD8, and the B lymphocyte marker CD20) with
greater than 90% precision and recall, from Hoechst 33342 stained tissue only.
Our model learns previously unknown morphological features associated with
expression of these proteins which can be used to accurately differentiate
lymphocyte subtypes for use in key prognostic metrics such as assessment of
immune cell infiltration,and thereby predict and improve patient outcomes
without the need for costly multiplex immunofluorescence.
- Abstract（参考訳）: 多発性免疫蛍光および免疫組織化学は、がん病理学者が細胞表面に発現するいくつかのタンパク質を同定し、細胞分類、腫瘍の微小環境の理解、より正確な診断、予後、個々の患者の免疫状態に基づく調整された免疫療法を可能にすることで、患者に利益をもたらす。
しかし、それらは高価で時間を要するプロセスであり、専門家による複雑な染色とイメージング技術を必要とする。
ホーフスト染色はより安価で実行が容易であるが、免疫蛍光法で標的とするタンパク質よりもdnaに結合するので一般的には用いられず、dna形態のみに基づいてこれらのタンパク質を発現する細胞を区別することは従来考えられていなかった。
本研究では,3つのタンパク質(tリンパ球マーカーcd3,cd8,bリンパ球マーカーcd20)を90%以上の精度で発現する細胞を,ホーチスト33342染色組織のみから同定するために,深い畳み込みニューラルネットワークを訓練することを提案する。
本モデルでは, 免疫細胞浸潤の評価などの重要な予後指標において, リンパ球サブタイプを正確に識別し, コストのかかる多重蛍光を必要とせず, 患者の予後を予測し, 改善することのできる, これらのタンパク質の発現に関連する既知形態的特徴を学習する。
関連論文リスト
- MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳（メタデータ） (2024-06-12T15:22:56Z) - Immunocto: a massive immune cell database auto-generated for histopathology [0.0]
我々は,6,848,454個のヒト細胞を自動生成する大量のデータベースであるImmuctoを紹介した。
我々は64$times$64ピクセルのH&E画像を$mathbf40times$imagcationで提供し、核とラベルのバイナリマスクも提供します。
それぞれのセルに対して、64$times$64ピクセルのH&E画像を$mathbf40times$倍率で提供し、核とラベルのバイナリマスクを提供します。
論文 参考訳（メタデータ） (2024-06-03T17:03:58Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳（メタデータ） (2023-11-28T09:14:55Z) - An AI-Ready Multiplex Staining Dataset for Reproducible and Accurate
Characterization of Tumor Immune Microenvironment [7.595983383242494]
頭頸部扁平上皮癌8例の保存および共同登録されたデジタル画像を含む,AI対応の計算病理データセットを新たに導入した。
腫瘍部位は,まずmIF法で染色し,次いでmIHC法で保存した。
これは、これらの2つの染色方法の等価性を実証し、いくつかのユースケースを可能にする最初の公開データセットである。
論文 参考訳（メタデータ） (2023-05-25T20:42:23Z) - 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) - Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration [44.99833362998488]
腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。
本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。
悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
論文 参考訳（メタデータ） (2022-11-08T05:46:02Z) - HoechstGAN: Virtual Lymphocyte Staining Using Generative Adversarial
Networks [10.043946236248392]
本研究は, クリア細胞腎細胞癌におけるT細胞サブタイプを同定するために, CD3およびCD8を用いたHoechst画像の仮想染色を行う枠組みを提案する。
本手法は両課題を共同で学習し,各課題から有益情報を相互に組み込むネットワークのインセンティブを与える。
仮想染色品質を定量化するための新しい指標を考案し,そを用いて本手法の評価を行った。
論文 参考訳（メタデータ） (2022-10-13T11:23:19Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳（メタデータ） (2022-03-23T00:58:27Z) - Weakly-supervised learning for image-based classification of primary
melanomas into genomic immune subgroups [1.4585861543119112]
我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。
我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
論文 参考訳（メタデータ） (2022-02-23T13:57:35Z) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳（メタデータ） (2021-07-12T09:04:20Z) - Cell Mechanics Based Computational Classification of Red Blood Cells Via
Machine Intelligence Applied to Morpho-Rheological Markers [0.0]
非教師なし機械学習手法は、リアルタイム変形性と蛍光(RT-FDC)により得られる形態・レオロジーマーカーにのみ適用される
提案手法は, 成熟赤血球由来の赤血球の分類において, ラベルフリーで有望な結果が得られたことを報告した。
論文 参考訳（メタデータ） (2020-03-02T15:11:46Z)
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。