論文の概要: Towards Explainable End-to-End Prostate Cancer Relapse Prediction from H&E Images Combining Self-Attention Multiple Instance Learning with a Recurrent Neural Network

• arxiv url: http://arxiv.org/abs/2111.13439v1
• Date: Fri, 26 Nov 2021 11:45:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-29 21:27:14.885496
• Title: Towards Explainable End-to-End Prostate Cancer Relapse Prediction from H&E Images Combining Self-Attention Multiple Instance Learning with a Recurrent Neural Network
• Title（参考訳）: 自己注意型複数インスタンス学習とリカレントニューラルネットワークを組み合わせたH&E画像による前立腺癌再発予測に向けて
• Authors: Esther Dietrich, Patrick Fuhlert, Anne Ernst, Guido Sauter, Maximilian Lennartz, H. Siegfried Stiehl, Marina Zimmermann, Stefan Bonn
• Abstract要約: 本稿では,がん再発予測ネットワーク(eCaReNet)を提案する。 本モデルでは,患者1人当たりのリスクスコアとグループだけでなく,生存曲線も良好に評価し,出力する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical decision support for histopathology image data mainly focuses on strongly supervised annotations, which offers intuitive interpretability, but is bound by expert performance. Here, we propose an explainable cancer relapse prediction network (eCaReNet) and show that end-to-end learning without strong annotations offers state-of-the-art performance while interpretability can be included through an attention mechanism. On the use case of prostate cancer survival prediction, using 14,479 images and only relapse times as annotations, we reach a cumulative dynamic AUC of 0.78 on a validation set, being on par with an expert pathologist (and an AUC of 0.77 on a separate test set). Our model is well-calibrated and outputs survival curves as well as a risk score and group per patient. Making use of the attention weights of a multiple instance learning layer, we show that malignant patches have a higher influence on the prediction than benign patches, thus offering an intuitive interpretation of the prediction. Our code is available at www.github.com/imsb-uke/ecarenet.
• Abstract（参考訳）: 病理画像データの臨床的決定支援は主に、直感的な解釈性を提供するが、専門家のパフォーマンスによって拘束される強い教師付きアノテーションに焦点を当てている。 本稿では, がん再発予測ネットワーク (ecarenet) を提案し, 強いアノテーションを伴わないエンドツーエンド学習が最先端のパフォーマンスを提供するとともに, 注意機構によって解釈可能性を含めることができることを示す。 前立腺癌生存予測のユースケースでは,14,479画像と再発時間のみをアノテーションとして用い,検証セットで0.78の累積動的AUCに到達し,専門家の病理医と同等である(別検体で0.77のAUC)。 本モデルでは,患者1人当たりのリスクスコアとグループだけでなく,生存曲線も良好に評価する。 複数インスタンス学習層の注意重みを用いて,悪性パッチが良性パッチよりも予測に影響を与えることを示し,予測の直感的解釈を提供する。 私たちのコードはwww.github.com/imsb-uke/ecarenetで利用可能です。

関連論文リスト

• Learning a Clinically-Relevant Concept Bottleneck for Lesion Detection in Breast Ultrasound [0.0]
  本稿では,米国放射線学大学乳房画像・報告データシステム(BI-RADS)の標準語彙を用いた解釈可能な予測を提供する説明可能なAIモデルを提案する。 このモデルは、BI-RADSの既知の特徴が最終的ながん分類の前に予測される概念ボトルネック層を特徴とするディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2024-06-29T00:44:33Z)
• Self-Contrastive Weakly Supervised Learning Framework for Prognostic Prediction Using Whole Slide Images [3.6330373579181927]
  予測は、基底の真理ラベルが本質的に弱いため、独特な挑戦となる。 そこで本研究では, ネットワークを用いた組織分割アルゴリズムを用いて, 関心領域の抽出を行う新しい3部フレームワークを提案する。 AUCは再発率0.721, 再発率0.678, 治療成績予測は0.678であった。
  論文  参考訳（メタデータ） (2024-05-24T06:45:36Z)
• Leveraging multi-view data without annotations for prostate MRI segmentation: A contrastive approach [0.0]
  U-Net, tU-Net (triplet U-Net) に基づくトリプルトエンコーダとシングルデコーダネットワークを提案する。 提案アーキテクチャでは,非注釈の矢状図とコロナ図を対照的な学習によって活用し,ボリュームの観点からセグメンテーションを改善することができる。
  論文  参考訳（メタデータ） (2023-08-12T06:07:47Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• 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)
• cRedAnno+: Annotation Exploitation in Self-Explanatory Lung Nodule Diagnosis [8.582182186207671]
  cRedAnnoは、アノテーションの要求を大幅に減らして、競争性能を達成する。 半教師付き能動学習によるアノテーション活用機構を提案する。 提案手法は10倍のアノテーションで同等あるいはそれ以上高い悪性度予測精度を実現する。
  論文  参考訳（メタデータ） (2022-10-28T12:44:31Z)
• Reducing Annotation Need in Self-Explanatory Models for Lung Nodule Diagnosis [10.413504599164106]
  肺結節診断のためのデータ/アノテーション効率の高い自己説明法であるcRedAnnoを提案する。 cRedAnnoは、自己教師付きコントラスト学習を導入することで、アノテーションの必要性を大幅に減らす。 学習空間の可視化は,悪性度と結節属性の相関が臨床知識と一致することを示している。
  論文  参考訳（メタデータ） (2022-06-27T20:01:41Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)

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。