論文の概要: SlideGraph+: Whole Slide Image Level Graphs to Predict HER2Status in
Breast Cancer
- arxiv url: http://arxiv.org/abs/2110.06042v1
- Date: Tue, 12 Oct 2021 14:40:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 13:08:28.424886
- Title: SlideGraph+: Whole Slide Image Level Graphs to Predict HER2Status in
Breast Cancer
- Title（参考訳）: SlideGraph+:乳がんのHER2像を予測する全画像レベルグラフ
- Authors: Wenqi Lu, Michael Toss, Emad Rakha, Nasir Rajpoot, Fayyaz Minhas
- Abstract要約: 本稿では,HER2のステータスをHematoxylinおよびEosinスライドの全スライディング画像から直接予測する新しいグラフニューラルネットワーク(GNN)モデルを提案する。
提案手法は,TCGAでは0.75,独立したテストセットでは0.8,ROC曲線(順序付け)値では0。
- 参考スコア（独自算出の注目度）: 1.8374319565577157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human epidermal growth factor receptor 2 (HER2) is an important prognostic
and predictive factor which is overexpressed in 15-20% of breast cancer (BCa).
The determination of its status is a key clinical decision making step for
selection of treatment regimen and prognostication. HER2 status is evaluated
using transcroptomics or immunohistochemistry (IHC) through situ hybridisation
(ISH) which require additional costs and tissue burden in addition to
analytical variabilities in terms of manual observational biases in scoring. In
this study, we propose a novel graph neural network (GNN) based model (termed
SlideGraph+) to predict HER2 status directly from whole-slide images of routine
Haematoxylin and Eosin (H&E) slides. The network was trained and tested on
slides from The Cancer Genome Atlas (TCGA) in addition to two independent test
datasets. We demonstrate that the proposed model outperforms the
state-of-the-art methods with area under the ROC curve (AUC) values > 0.75 on
TCGA and 0.8 on independent test sets. Our experiments show that the proposed
approach can be utilised for case triaging as well as pre-ordering diagnostic
tests in a diagnostic setting. It can also be used for other weakly supervised
prediction problems in computational pathology. The SlideGraph+ code is
available at https://github.com/wenqi006/SlideGraph.
- Abstract（参考訳）: ヒト上皮成長因子受容体2(HER2)は、乳癌(BCa)の15-20%で過剰発現される重要な予後および予測因子である。
現状の決定は、治療体制の選択と予後を決定する上で重要な臨床決定ステップである。
HER2の状態は、手動による観察バイアスによる分析的変動に加えて、追加のコストと組織負担を必要とするシチューハイブリダイゼーション(ISH)を介して、トランスクロプトミックまたは免疫組織化学(IHC)を用いて評価される。
本研究では,HematoxylinおよびEosin(H&E)スライドの全スライディング画像から直接HER2状態を予測するための新しいグラフニューラルネットワーク(GNN)モデル(SlideGraph+)を提案する。
ネットワークは、2つの独立したテストデータセットに加えて、The Cancer Genome Atlas(TCGA)のスライドでトレーニングされ、テストされた。
提案手法は,RCC曲線(AUC)値 > 0.75,独立したテストセット 0.8 の領域で,最先端の手法よりも優れていることを示す。
以上の結果から,提案手法は,症例のトリージングや診断環境における診断テストの事前注文に利用できることが示唆された。
計算病理学における他の弱い教師付き予測問題にも用いられる。
SlideGraph+のコードはhttps://github.com/wenqi006/SlideGraphで入手できる。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Self-pruning Graph Neural Network for Predicting Inflammatory Disease
Activity in Multiple Sclerosis from Brain MR Images [10.312631192694479]
多発性硬化症(Multiple Sclerosis, MS)は、中枢神経系の炎症性病変を特徴とする重度の神経疾患である。
本稿では,2段階のMS炎症性疾患活動予測手法を提案する。まず3次元セグメンテーションネットワークが病変を検知し,自己管理アルゴリズムが画像の特徴を抽出する。
次に、検出された病変を患者グラフ構築に使用し、その空間的近接に基づいて病変を接続し、炎症性疾患活動予測をグラフ分類タスクとして定式化する。
論文 参考訳（メタデータ） (2023-08-31T17:05:14Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Weakly-Supervised Deep Learning Model for Prostate Cancer Diagnosis and
Gleason Grading of Histopathology Images [2.547129771651519]
本稿では,前立腺癌学級を分類する弱教師付きアルゴリズムを提案する。
提案アルゴリズムは, 組織像における識別領域の抽出, 画像の表現, 画像のグリーソングレードへの分類の3段階からなる。
その結果,Gleason grading タスクの精度,F1スコア,Cohen-Kappa の両面での最先端性能が得られた。
論文 参考訳（メタデータ） (2022-12-25T03:07:52Z) - MLC at HECKTOR 2022: The Effect and Importance of Training Data when
Analyzing Cases of Head and Neck Tumors using Machine Learning [0.9166327220922845]
本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対して,チームMLCが行った成果について述べる。
ポジトロン・エミッション・トモグラフィ(PET)とCT(CT)画像の解析は予後を診断するために提案されている。
論文 参考訳（メタデータ） (2022-11-30T09:04:27Z) - Interpretable HER2 scoring by evaluating clinical Guidelines through a
weakly supervised, constrained Deep Learning Approach [0.0]
本稿では病理学者によるHER2スコアの解釈可能性に焦点を当てる。
臨床HER2ガイドラインを直接評価する半自動2段階深層学習手法を提案する。
本研究は,F1スコアで0.78の成績を得られた。
論文 参考訳（メタデータ） (2022-11-17T14:28:35Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Sickle Cell Disease Severity Prediction from Percoll Gradient Images
using Graph Convolutional Networks [38.27767684024691]
シックル細胞病(Sickle cell disease, SCD)は、赤血球の早期破壊を引き起こす重篤な遺伝性ヘモグロビン疾患である。
提案手法は,SCD重大度予測の難問に対する最初の計算手法である。
論文 参考訳（メタデータ） (2021-09-11T21:09:50Z) - IA-GCN: Interpretable Attention based Graph Convolutional Network for
Disease prediction [47.999621481852266]
タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。
臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。
本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
論文 参考訳（メタデータ） (2021-03-29T13:04:02Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。