論文の概要: A Pragmatic Machine Learning Approach to Quantify Tumor Infiltrating
Lymphocytes in Whole Slide Images
- arxiv url: http://arxiv.org/abs/2202.06590v1
- Date: Mon, 14 Feb 2022 10:22:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 02:57:22.004573
- Title: A Pragmatic Machine Learning Approach to Quantify Tumor Infiltrating
Lymphocytes in Whole Slide Images
- Title（参考訳）: 全スライド画像における腫瘍浸潤リンパ球の定量化のための実用的機械学習手法
- Authors: Nikita Shvetsov, Morten Gr{\o}nnesby, Edvard Pedersen, Kajsa
M{\o}llersen, Lill-Tove Rasmussen Busund, Ruth Schwienbacher, Lars Ailo
Bongo, Thomas K. Kilvaer
- Abstract要約: がん組織における腫瘍浸潤リンパ球(TIL)の上昇は、多くの種類のがんにおいて好ましい結果を示す。
本研究の目的は,肺がん患者の標準診断ヘマトキシリンおよびエオシン染色部(H&Eスライス)の全スライド画像(WSI)中のTILを自動的に定量化することである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Increased levels of tumor infiltrating lymphocytes (TILs) in cancer tissue
indicate favourable outcomes in many types of cancer. Manual quantification of
immune cells is inaccurate and time consuming for pathologists. Our aim is to
leverage a computational solution to automatically quantify TILs in whole slide
images (WSIs) of standard diagnostic haematoxylin and eosin stained sections
(H&E slides) from lung cancer patients. Our approach is to transfer an open
source machine learning method for segmentation and classification of nuclei in
H&E slides trained on public data to TIL quantification without manual labeling
of our data. Our results show that additional augmentation improves model
transferability when training on few samples/limited tissue types. Models
trained with sufficient samples/tissue types do not benefit from our additional
augmentation policy. Further, the resulting TIL quantification correlates to
patient prognosis and compares favorably to the current state-of-the-art method
for immune cell detection in non-small lung cancer (current standard CD8 cells
in DAB stained TMAs HR 0.34 95% CI 0.17-0.68 vs TILs in HE WSIs: HoVer-Net
PanNuke Aug Model HR 0.30 95% CI 0.15-0.60, HoVer-Net MoNuSAC Aug model HR 0.27
95% CI 0.14-0.53). Moreover, we implemented a cloud based system to train,
deploy and visually inspect machine learning based annotation for H&E slides.
Our pragmatic approach bridges the gap between machine learning research,
translational clinical research and clinical implementation. However,
validation in prospective studies is needed to assert that the method works in
a clinical setting.
- Abstract（参考訳）: 癌組織における腫瘍浸潤リンパ球(tils)の増加は、多くの種類のがんにおいて好ましい結果を示す。
免疫細胞の手動定量化は、病理学者にとって不正確で時間を要する。
本研究の目的は、肺がん患者の標準診断用ヘマトキシリンおよびエオシン染色片(h&eスライダー)の全スライド画像(wsis)中のtilを自動定量化する計算解の活用である。
提案手法は,公開データで訓練されたh&eスライドにおける核のセグメンテーションと分類のためのオープンソースの機械学習手法を,手作業によるデータラベリングを伴わずに定量化する。
以上の結果から,少数のサンプル/限定組織タイプでのトレーニングでモデル伝達性が向上することが示唆された。
十分なサンプル/タスクタイプでトレーニングされたモデルは、追加の拡張ポリシーの恩恵を受けません。
さらに、TILの定量化は患者の予後と相関し、非小肺がん(現在のDAB染色TMAの標準CD8細胞、HR 0.34 95% CI 0.17-0.68、HE WSIs: HoVer-Net PanNuke Aug Model HR 0.30 95% CI 0.15-0.60、HoVer-Net MoNuSAC Aug model HR 0.27 95% CI 0.14-0.53)における免疫細胞検出法と好意的に比較できる。
さらに,h&eスライドのための機械学習に基づくアノテーションをトレーニングし,デプロイし,視覚的に検査するためのクラウドベースのシステムを実装した。
我々の実践的アプローチは、機械学習研究、翻訳臨床研究、臨床実施のギャップを埋める。
しかし,本手法が臨床環境で有効であることを示すためには,将来的な研究の検証が必要である。
関連論文リスト
- Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - Segmentation of Non-Small Cell Lung Carcinomas: Introducing DRU-Net and Multi-Lens Distortion [0.1935997508026988]
我々は,ヒト非小細胞肺癌の悪性度を規定するセグメンテーションモデル(DRU-Net)を提案している。
我々は提案したモデルを作成するために2つのデータセット(ノルウェーの肺がんバイオバンクとHaukeland大学肺がんコホート)を使用した。
提案した空間拡張法(マルチレンズ歪み)により,ネットワーク性能は3%向上した。
論文 参考訳（メタデータ） (2024-06-20T13:14:00Z) - Fast TILs estimation in lung cancer WSIs based on semi-stochastic patch sampling [0.0]
パイプラインは、予後に関係のない領域の約70%を効率よく排除し、予後の正確性を維持するために残りのパッチの5%しか必要としない。
このパイプラインは、NSCLCの予後と治療のパーソナライゼーションを高める可能性を示す。
今後の研究は、その幅広い臨床的有用性を検証すること、およびNSCLC予後を改善するために追加のバイオマーカーを調査することに焦点を当てるべきである。
論文 参考訳（メタデータ） (2024-05-05T12:41:55Z) - Variational Autoencoders for Feature Exploration and Malignancy
Prediction of Lung Lesions [0.0]
肺がんはイギリスで21%のがん死の原因となっている。
最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。
本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
論文 参考訳（メタデータ） (2023-11-27T11:12:33Z) - Interpretable pap smear cell representation for cervical cancer
screening [3.8656297418166305]
変分オートエンコーダを用いた1クラス分類に基づいて, 乳頭スミア画像の深部頸部細胞表現を学習する手法を提案する。
我々のモデルは、深層モデルの付加的な訓練を必要とせずに、異常を識別することができる。
論文 参考訳（メタデータ） (2023-11-17T01:29:16Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - 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) - 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) - Acute Lymphoblastic Leukemia Detection from Microscopic Images Using
Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。
ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。
提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
論文 参考訳（メタデータ） (2021-05-09T18:58:48Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z)
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。