論文の概要: Weakly-supervised learning for image-based classification of primary
melanomas into genomic immune subgroups
- arxiv url: http://arxiv.org/abs/2202.11524v1
- Date: Wed, 23 Feb 2022 13:57:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-24 20:13:12.085049
- Title: Weakly-supervised learning for image-based classification of primary
melanomas into genomic immune subgroups
- Title(参考訳): 一次メラノーマのゲノム免疫サブグループへの画像ベース分類のための弱い教師付き学習
- Authors: Lucy Godson, Navid Alemi, Jeremie Nsengimana, Graham P. Cook, Emily L.
Clarke, Darren Treanor, D. Timothy Bishop, Julia Newton-Bishop and Ali Gooya
- Abstract要約: 我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。
我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
- 参考スコア(独自算出の注目度): 1.4585861543119112
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Determining early-stage prognostic markers and stratifying patients for
effective treatment are two key challenges for improving outcomes for melanoma
patients. Previous studies have used tumour transcriptome data to stratify
patients into immune subgroups, which were associated with differential
melanoma specific survival and potential treatment strategies. However,
acquiring transcriptome data is a time-consuming and costly process. Moreover,
it is not routinely used in the current clinical workflow. Here we attempt to
overcome this by developing deep learning models to classify gigapixel H&E
stained pathology slides, which are well established in clinical workflows,
into these immune subgroups. Previous subtyping approaches have employed
supervised learning which requires fully annotated data, or have only examined
single genetic mutations in melanoma patients. We leverage a multiple-instance
learning approach, which only requires slide-level labels and uses an attention
mechanism to highlight regions of high importance to the classification.
Moreover, we show that pathology-specific self-supervised models generate
better representations compared to pathology-agnostic models for improving our
model performance, achieving a mean AUC of 0.76 for classifying histopathology
images as high or low immune subgroups. We anticipate that this method may
allow us to find new biomarkers of high importance and could act as a tool for
clinicians to infer the immune landscape of tumours and stratify patients,
without needing to carry out additional expensive genetic tests.
- Abstract(参考訳): メラノーマ患者に対する早期予後マーカーと成体化患者を効果的に治療するための2つの重要な課題である。
これまでの研究では、腫瘍のトランスクリプトームデータを用いて、患者を免疫サブグループに分類し、メラノーマ特異的生存と潜在的治療戦略に関連付けられていた。
しかし、トランスクリプトームデータの取得は時間とコストのかかるプロセスである。
また、現在の臨床ワークフローでは日常的に使われていない。
そこで我々は,臨床ワークフローで確立されたgigapixel h&e染色病理スライドをこれらの免疫サブグループに分類する深層学習モデルを開発した。
従来のサブタイピングアプローチでは、完全に注釈付きデータを必要とする教師付き学習や、メラノーマ患者の単一遺伝子変異のみを調べた。
我々は,スライドレベルラベルのみを必要とするマルチインテンス学習手法を活用し,分類の重要度の高い領域を注目するアテンション機構を使用する。
さらに, 病理特異的自己監督モデルでは, 病理診断モデルと比較して, 病理組織像を高あるいは低免疫サブグループに分類するための平均AUC0.76を達成できた。
我々は、この方法によって、より重要なバイオマーカーを見つけることができ、さらに高価な遺伝子検査を行う必要なしに、腫瘍の免疫環境を推測し、患者を階層化するためのツールになり得ると予測している。
関連論文リスト
- Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳(メタデータ) (2023-11-28T09:14:55Z) - Improving Performance in Colorectal Cancer Histology Decomposition using
Deep and Ensemble Machine Learning [0.7437806321813133]
組織学的にヘマトキシリンとエオシンで染色されたサンプルは、一般的に大腸癌管理に用いられている。
近年の研究では、手軽に利用できる画像から臨床関連バイオマーカーの抽出を容易にするための畳み込みニューラルネットワーク(CNN)の可能性を強調している。
CNNベースのバイオマーカーは、スピード、自動化、最小コストの利点を付加して、患者の結果をゴールデンスタンダードと同等に予測することができる。
論文 参考訳(メタデータ) (2023-10-25T19:46:27Z) - Deep Learning-Based Prediction of Molecular Tumor Biomarkers from H&E: A
Practical Review [0.0]
分子的およびゲノム的性質は、個々の腫瘍を標的とするがん治療の選択に重要である。
H&E画像に機械学習を適用することで、よりコスト効率の良いスクリーニングが可能になる。
本稿では、がんの種類や、これらのモデルを訓練し、検証するための方法論に関する多様な応用についてレビューする。
論文 参考訳(メタデータ) (2022-11-27T14:57:41Z) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳(メタデータ) (2022-09-27T14:08:19Z) - Mapping the landscape of histomorphological cancer phenotypes using
self-supervised learning on unlabeled, unannotated pathology slides [9.27127895781971]
病理形態学的現象型学習は、小さな画像タイルにおける識別画像の特徴の自動発見を通じて行われる。
タイルは、組織形態学的表現型のライブラリを構成する形態学的に類似したクラスターに分類される。
論文 参考訳(メタデータ) (2022-05-04T08:06:55Z) - Multi-class versus One-class classifier in spontaneous speech analysis
oriented to Alzheimer Disease diagnosis [58.720142291102135]
本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。
外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
論文 参考訳(メタデータ) (2022-03-21T09:57:20Z) - An Attention-based Weakly Supervised framework for Spitzoid Melanocytic
Lesion Diagnosis in WSI [1.0948946179065253]
メラノーマは皮膚がんによる死の大半の原因となる攻撃的な腫瘍である。
診断と予後のための金の基準は、皮膚生検の分析である。
改良型畳み込みニューラルネットワーク(CNN)を用いた誘導伝達学習に基づく,エンドツーエンドの弱い教師付き深層学習モデルを提案する。
本フレームワークは、腫瘍パッチレベルパターンの発見を担当するソースモデルと、生検の特定診断に焦点を当てたターゲットモデルとから構成される。
論文 参考訳(メタデータ) (2021-04-20T10:18:57Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - Divide-and-Rule: Self-Supervised Learning for Survival Analysis in
Colorectal Cancer [9.431791041887957]
本稿では,組織領域の表現とクラスタリングのメトリクスを学習し,その基盤となるパターンを学習する自己教師型学習手法を提案する。
提案手法は, 患者結果予測の過度な適合を避けるために, 線形予測器の恩恵を受けることができることを示す。
論文 参考訳(メタデータ) (2020-07-07T09:15:36Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z)
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。