論文の概要: OncoPetNet: A Deep Learning based AI system for mitotic figure counting on H&E stained whole slide digital images in a large veterinary diagnostic lab setting

• arxiv url: http://arxiv.org/abs/2108.07856v1
• Date: Tue, 17 Aug 2021 20:01:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-19 14:48:20.596885
• Title: OncoPetNet: A Deep Learning based AI system for mitotic figure counting on H&E stained whole slide digital images in a large veterinary diagnostic lab setting
• Title（参考訳）: OncoPetNet: 大規模な獣医学診断室設定におけるH&E染色された全スライドデジタル画像に基づく深層学習ベースAIシステム
• Authors: Michael Fitzke, Derick Whitley, Wilson Yau, Fernando Rodrigues Jr, Vladimir Fadeev, Cindy Bacmeister, Chris Carter, Jeffrey Edwards, Matthew P. Lungren, Mark Parkinson
• Abstract要約: OncoPetNetの開発において,複数の最先端ディープラーニング技術を用いて病理組織像分類と有糸体像検出を行った。 提案システムは,14種類の癌に対して,ヒトのエキスパートベースラインと比較して,41例の有糸分裂計数性能を有意に向上させた。 デプロイでは、2つのセンターで1日3,323枚のデジタル全スライド画像を処理する高スループット獣医診断サービスにおいて、効果的な0.27分/スライダー推論が達成された。
• 参考スコア（独自算出の注目度）: 47.38796928990688
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Histopathology is an important modality for the diagnosis and management of many diseases in modern healthcare, and plays a critical role in cancer care. Pathology samples can be large and require multi-site sampling, leading to upwards of 20 slides for a single tumor, and the human-expert tasks of site selection and and quantitative assessment of mitotic figures are time consuming and subjective. Automating these tasks in the setting of a digital pathology service presents significant opportunities to improve workflow efficiency and augment human experts in practice. Approach: Multiple state-of-the-art deep learning techniques for histopathology image classification and mitotic figure detection were used in the development of OncoPetNet. Additionally, model-free approaches were used to increase speed and accuracy. The robust and scalable inference engine leverages Pytorch's performance optimizations as well as specifically developed speed up techniques in inference. Results: The proposed system, demonstrated significantly improved mitotic counting performance for 41 cancer cases across 14 cancer types compared to human expert baselines. In 21.9% of cases use of OncoPetNet led to change in tumor grading compared to human expert evaluation. In deployment, an effective 0.27 min/slide inference was achieved in a high throughput veterinary diagnostic pathology service across 2 centers processing 3,323 digital whole slide images daily. Conclusion: This work represents the first successful automated deployment of deep learning systems for real-time expert-level performance on important histopathology tasks at scale in a high volume clinical practice. The resulting impact outlines important considerations for model development, deployment, clinical decision making, and informs best practices for implementation of deep learning systems in digital histopathology practices.
• Abstract（参考訳）: 背景: 病理は現代医療における多くの疾患の診断と管理において重要なモダリティであり, がん治療において重要な役割を担っている。 病理標本は巨大で多部位サンプリングが必要であり、単一の腫瘍に対して20のスライドを上回り、ヒトの専門的な部位選択や有糸分裂図形の定量的評価は時間と主観的である。 これらのタスクをデジタル病理サービスの設定で自動化することは、ワークフローの効率を改善し、実際に人間のエキスパートを増強する大きな機会を提供する。 アプローチ:OncoPetNetの開発において,病理組織像分類とミトティックフィギュア検出のための複数の最先端ディープラーニング技術を用いた。 さらに、速度と精度を高めるためにモデルフリーのアプローチが使用された。 堅牢でスケーラブルな推論エンジンは、pytorchのパフォーマンス最適化と、特に推論のスピードアップ技術を活用する。 結果: 本システムでは,14種類の癌に対して, 有病者ベースラインと比較して, 41例の有病者カウント性能が有意に向上した。 OncoPetNetの使用例の21.9%では、ヒトの専門家による評価と比較して腫瘍のグレードが変化した。 デプロイメントでは、2つのセンターで1日当たり3,323個のデジタルスライド画像を処理する高スループットな獣医診断病理サービスにおいて、効果的な0.27 min/slide推定が達成された。 結論:本研究は,大規模臨床における重要な病理組織学タスクにおけるリアルタイム専門家レベルパフォーマンスのための,ディープラーニングシステムの自動展開を成功させた最初の成果である。 その結果得られた影響は、モデル開発、展開、臨床意思決定において重要な考慮事項を概説し、デジタル病理学プラクティスにおけるディープラーニングシステムの実装に関するベストプラクティスを知らせる。

関連論文リスト

• TopOC: Topological Deep Learning for Ovarian and Breast Cancer Diagnosis [3.262230127283452]
  トポロジカルデータ分析は、異なる色チャネルにわたるトポロジカルパターンの評価を通じて重要な情報を抽出することで、ユニークなアプローチを提供する。 卵巣癌と乳癌では, トポロジカルな特徴を取り入れることで, 腫瘍型の分化が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2024-10-13T12:24:13Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Learned Image resizing with efficient training (LRET) facilitates improved performance of large-scale digital histopathology image classification models [0.0]
  組織学的検査は腫瘍学の研究と診断において重要な役割を担っている。 深層畳み込みニューラルネットワーク(DCNN)のトレーニングへの最近のアプローチは、最適下モデルの性能をもたらす。 本稿では,従来の病理組織学分類モデルトレーニングの主な限界に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-19T23:45:47Z)
• A transductive few-shot learning approach for classification of digital histopathological slides from liver cancer [0.0]
  本論文は,2次元病理組織パッチの分類法として,少数ショット学習を用いた新しいアプローチを提案する。 病理組織学スライドにスライディングウインドウ手法を適用することにより,トランスダクティブラーニングの実践的メリットを解説する。
  論文  参考訳（メタデータ） (2023-11-29T15:44:00Z)
• An Evaluation of Lightweight Deep Learning Techniques in Medical Imaging for High Precision COVID-19 Diagnostics [0.0]
  決定支援システムは、画像の物理的検査に固有の課題を緩和する。 ほとんどのディープラーニングアルゴリズムは、リソース制約のあるデバイスの実装には適していない。 本稿では,MobileNetV2モデルを用いた新型コロナウイルス検出のための軽量深層学習手法の開発と評価について述べる。
  論文  参考訳（メタデータ） (2023-05-30T13:14:03Z)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• REET: Robustness Evaluation and Enhancement Toolbox for Computational Pathology [1.452875650827562]
  計算病理学応用のための最初のドメイン固有ロバストネス評価・拡張ツールボックス(REET)を提案する。 REETは予測モデルの堅牢性評価を可能にするアルゴリズム戦略のスイートを提供する。 REETはまた、計算病理学におけるディープラーニングパイプラインの効率的で堅牢なトレーニングを可能にする。
  論文  参考訳（メタデータ） (2022-01-28T18:23:55Z)
• 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)

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。