論文の概要: Imaging-based histological features are predictive of MET alterations in Non-Small Cell Lung Cancer

• arxiv url: http://arxiv.org/abs/2203.10062v1
• Date: Fri, 18 Mar 2022 17:11:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 15:02:37.518972
• Title: Imaging-based histological features are predictive of MET alterations in Non-Small Cell Lung Cancer
• Title（参考訳）: 非小細胞肺癌におけるMET変化の画像ベース組織学的特徴
• Authors: Rohan P. Joshi, Bo Osinski, Niha Beig, Lingdao Sha, Kshitij Ingale, Martin C. Stumpe
• Abstract要約: METはプロトオンコジーンであり、非小細胞肺癌の活性化は細胞増殖と腫瘍の進行を促進する。 細胞形態学的特徴とMET増幅およびMETエキソン14欠失との関連について検討した。 予測モデルはMETのワイルドタイプをMET増幅またはMETエキソン14の削除と区別することができる。
• 参考スコア（独自算出の注目度）: 1.2885809002769635
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: MET is a proto-oncogene whose somatic activation in non-small cell lung cancer leads to increased cell growth and tumor progression. The two major classes of MET alterations are gene amplification and exon 14 deletion, both of which are therapeutic targets and detectable using existing molecular assays. However, existing tests are limited by their consumption of valuable tissue, cost and complexity that prevent widespread use. MET alterations could have an effect on cell morphology, and quantifying these associations could open new avenues for research and development of morphology-based screening tools. Using H&E-stained whole slide images (WSIs), we investigated the association of distinct cell-morphological features with MET amplifications and MET exon 14 deletions. We found that cell shape, color, grayscale intensity and texture-based features from both tumor infiltrating lymphocytes and tumor cells distinguished MET wild-type from MET amplified or MET exon 14 deletion cases. The association of individual cell features with MET alterations suggested a predictive model could distinguish MET wild-type from MET amplification or MET exon 14 deletion. We therefore developed an L1-penalized logistic regression model, achieving a mean Area Under the Receiver Operating Characteristic Curve (ROC-AUC) of 0.77 +/- 0.05sd in cross-validation and 0.77 on an independent holdout test set. A sparse set of 43 features differentiated these classes, which included features similar to what was found in the univariate analysis as well as the percent of tumor cells in the tissue. Our study demonstrates that MET alterations result in a detectable morphological signal in tumor cells and lymphocytes. These results suggest that development of low-cost predictive models based on H&E-stained WSIs may improve screening for MET altered tumors.
• Abstract（参考訳）: METはプロトオンコジーンであり、非小細胞肺癌における体細胞活性化は細胞増殖と腫瘍の進行を促進する。 MET変異の2つの主要なクラスは、遺伝子増幅とエキソン14欠失であり、どちらも治療標的であり、既存の分子アッセイを用いて検出可能である。 しかし、既存のテストは、価値ある組織の使用、コスト、そして広く使われるのを防ぐ複雑さによって制限されている。 METの変異は細胞形態に影響を及ぼし、これらの関連を定量化することで、形態学に基づくスクリーニングツールの研究と開発のための新たな道を開くことができる。 H&E-stained whole slide image (WSIs) を用いて, 細胞形態学的特徴とMET増幅, METエキソン14欠失との関連について検討した。 腫瘍浸潤リンパ球および腫瘍細胞から得られた細胞形態, 色, グレースケール強度, テクスチャに基づく特徴は, MET amplified または MET exon 14 欠失例からMET wild-type と区別された。 METの変異と個々の細胞の特徴の関連は、METの野生型とMETの増幅またはMETエキソン14の除去とを区別する予測モデルが示唆された。 そこで我々は,L1ペナル化ロジスティック回帰モデルを開発し,受信器動作特性曲線(ROC-AUC)の平均値0.77+/-0.05sd,独立したホールドアウトテストセット0.77を達成した。 43種類のスパースセットはこれらのクラスを区別し、単変量解析で見られるものと類似した特徴と組織内の腫瘍細胞のパーセントを含んでいた。 本研究は,METの変異が腫瘍細胞およびリンパ球に検出可能な形態学的シグナルをもたらすことを示す。 以上の結果から,H&E染色WSIを用いた低コスト予測モデルの開発がMET修飾腫瘍のスクリーニングを改善する可能性が示唆された。

関連論文リスト

• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• Multimodal Analysis of White Blood Cell Differentiation in Acute Myeloid Leukemia Patients using a β-Variational Autoencoder [38.13262557169157]
  形態学的および転写学的データを探索・再構成する教師なし手法を提案する。 本手法は,カスタマイズされた損失関数を持つβ変分オートエンコーダ(ss-VAE)に基づく。 バイオメディシンと診断のための白血球成熟の理解を改善するためのユニークなツールを提供する。
  論文  参考訳（メタデータ） (2024-08-13T08:24:52Z)
• Deep Learning-based Prediction of Breast Cancer Tumor and Immune Phenotypes from Histopathology [3.9270231212340354]
  各患者の腫瘍に対する腫瘍および免疫性表現型を再現的に測定する方法は広くは存在しない。 原発性乳癌のヘマトキシリンおよびエオシンスライドから10種類の生物学的関連経路の活性を評価するために,MILアルゴリズムを適用した。 訓練されたモデルでは,H&Eから細胞サブ集団の生物学的に関連する空間パターンを認識できる。
  論文  参考訳（メタデータ） (2024-04-25T08:15:37Z)
• LymphoML: An interpretable artificial intelligence-based method identifies morphologic features that correlate with lymphoma subtype [3.144172405010392]
  LymphoMLは,リンパ腫のサブタイプと相関する形態的特徴を識別する,解釈可能な機械学習手法である。 本手法では,H&E-stained tissue microarray core, segment nuclear and cells, compute features including morphology, texture and architecture, and train gradient-boosted model to make diagnosis prediction。
  論文  参考訳（メタデータ） (2023-11-16T05:17:14Z)
• Cross-domain feature disentanglement for interpretable modeling of tumor microenvironment impact on drug response [4.930226504666259]
  がん細胞と腫瘍のTMEを分離するための領域適応ネットワークを提案する。 新規薬物の汎用性を確保するため,薬物の潜伏表現を学習するためにグラフアテンションネットワークを適用し,潜伏空間の細胞状態に対する薬物摂動を線形にモデル化した。
  論文  参考訳（メタデータ） (2023-11-15T07:50:54Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• Generating counterfactual explanations of tumor spatial proteomes to discover effective strategies for enhancing immune infiltration [44.99833362998488]
  腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。 本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。 悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
  論文  参考訳（メタデータ） (2022-11-08T05:46:02Z)
• A New Method for the High-Precision Assessment of Tumor Changes in Response to Treatment [0.0]
  リニア・ポアソン・モデリング (LPM) は放射線治療後72時間前における明らかな拡散係数の変化を評価する。 腫瘍は全例に有意な有意差を認め,4倍の上昇を認めた。 キセノグラフトを除去し, 品質管理を行い, 潜在的なアウトリーチを同定した。
  論文  参考訳（メタデータ） (2022-09-07T13:08:14Z)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

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。