論文の概要: XDEEP-MSI: Explainable Bias-Rejecting Microsatellite Instability Deep Learning System In Colorectal Cancer

• arxiv url: http://arxiv.org/abs/2110.15350v1
• Date: Thu, 28 Oct 2021 17:58:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 15:19:34.091184
• Title: XDEEP-MSI: Explainable Bias-Rejecting Microsatellite Instability Deep Learning System In Colorectal Cancer
• Title（参考訳）: XDEEP-MSI: 大腸癌におけるバイオマス除去型マイクロサテライト不安定性深層学習システム
• Authors: Aurelia Bustos (1), Artemio Pay\'a (2 and 3), Andres Torrubia (1), Rodrigo Jover (2 and 3), Xavier Llor (4), Xavier Bessa (5), Antoni Castells (6), Cristina Alenda (2 and 3) ((1) AI Cancer Research Unit Medbravo, (2) Alicante University General Hospital, Spain, (3) Alicante Institute for Health and Biomedical Research ISABIAL, (4) Department of Medicine and Cancer Center at Yale University, Connecticut, (5) Hospital del Mar Medical Research Institute IMIM, Barcelona, Spain, (6) Hospital Cl\'inic University of Barcelona IDIBAPS CIBERehd, Spain)
• Abstract要約: 組織マイクロアレイ(TMA)用にカスタマイズされたDL技術を用いて大腸癌のH&E画像からマイクロサテライト不安定(MSI)を予測するシステムを提案する。 本システムは、組織モジュールによって誘導される関心領域において、複数の倍率でタイルを生産するエンドツーエンド画像前処理モジュールと、多バイアス拒絶モジュールとを具備する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a system for the prediction of microsatellite instability (MSI) from H&E images of colorectal cancer using deep learning (DL) techniques customized for tissue microarrays (TMAs). The system incorporates an end-to-end image preprocessing module that produces tiles at multiple magnifications in the regions of interest as guided by a tissue classifier module, and a multiple-bias rejecting module. The training and validation TMA samples were obtained from the EPICOLON project and further enriched with samples from a single institution. A systematic study of biases at tile level identified three protected (bias) variables associated with the learned representations of a baseline model: the project of origin of samples, the patient spot and the TMA glass where each spot was placed. A multiple bias rejecting technique based on adversarial training is implemented at the DL architecture so to directly avoid learning the batch effects of those variables. The learned features from the bias-ablated model have maximum discriminative power with respect to the task and minimal statistical mean dependence with the biases. The impact of different magnifications, types of tissues and the model performance at tile vs patient level is analyzed. The AUC at tile level, and including all three selected tissues (tumor epithelium, mucine and lymphocytic regions) and 4 magnifications, was 0.87 +/- 0.03 and increased to 0.9 +/- 0.03 at patient level. To the best of our knowledge, this is the first work that incorporates a multiple bias ablation technique at the DL architecture in digital pathology, and the first using TMAs for the MSI prediction task.
• Abstract（参考訳）: 組織マイクロアレイ(TMA)用にカスタマイズされたDL技術を用いて,大腸癌のH&E画像からマイクロサテライト不安定(MSI)を予測するシステムを提案する。 本システムは、組織分類モジュールによって誘導される関心領域において、複数の倍率でタイルを生成するエンドツーエンド画像前処理モジュールと、多バイアス拒絶モジュールとを具備する。 EPICOLONプロジェクトからトレーニングおよび検証TMAサンプルを取得し,さらに1施設からのサンプルを濃縮した。 タイルレベルでのバイアスの体系的な研究により、ベースラインモデルの学習された表現に関連する3つの保護された(バイアス)変数が特定された。 DLアーキテクチャでは,これらの変数のバッチ効果を直接学習しないように,逆行学習に基づく多重バイアス拒否手法が実装されている。 バイアスアブレーションモデルから得られた学習された特徴は、タスクに対する最大判別力と、バイアスによる最小統計平均依存性を有する。 異なる拡大率,組織の種類,タイルレベルと患者レベルのモデル性能の影響を解析した。 タイルレベルでのAUCは, 3つの組織(腫瘍上皮, マウス, リンパ管領域)と4つの倍率を含む0.87+/-0.03であり, 患者レベルで0.9+/-0.03に増加した。 我々の知る限りでは、デジタル病理学におけるDLアーキテクチャにおける多重バイアスアブレーション手法を取り入れた最初の作品であり、MSI予測タスクにTMAを使用した最初の作品である。

関連論文リスト

• Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
  虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。 本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
  論文  参考訳（メタデータ） (2024-05-01T23:40:12Z)
• Equipping Computational Pathology Systems with Artifact Processing Pipelines: A Showcase for Computation and Performance Trade-offs [0.7226586370054761]
  損傷組織, ぼかし, 折りたたみ組織, 気泡, 組織学的に無関係な血液を含む5つの重要な人工物を検出するための専門家(MoE)の混合手法を提案する。 2つのMoEと2つのマルチクラスモデルであるDCNNとビジョントランスフォーマーを用いたDLパイプラインを開発した。 提案されたMoEは86.15%のF1と97.93%の感度スコアを持ち、ViTを用いたMoEよりも推論の計算コストが低い。
  論文  参考訳（メタデータ） (2024-03-12T15:22:05Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI [36.044984400761535]
  本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。 解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。 3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T15:00:59Z)
• Federated Learning for the Classification of Tumor Infiltrating Lymphocytes [5.881088147423591]
  デジタル化組織断面解析のための深層学習モデルの開発において,フェデレートラーニング(FL)の性能を評価する。 スライド画像全体から抽出した50*50平方ミクロンパッチを用いてディープラーニング分類モデルを訓練した。
  論文  参考訳（メタデータ） (2022-03-30T19:10:50Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• DeepSMILE: Contrastive self-supervised pre-training benefits MSI and HRD classification directly from H&E whole-slide images in colorectal and breast cancer [22.46523830554047]
  ヘマトキシリンおよびエオシン染色腫瘍組織の全スライド画像(WSI)を解析するための深層学習に基づく弱ラベル学習法を提案する。 We apply DeepSMILE to the task of Homologous recombination deficiency (HRD) and microsatellite instability (MSI) prediction。
  論文  参考訳（メタデータ） (2021-07-20T11:00:16Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)

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。