論文の概要: Automated Detection of Acute Promyelocytic Leukemia in Blood Films and Bone Marrow Aspirates with Annotation-free Deep Learning

• arxiv url: http://arxiv.org/abs/2203.10626v1
• Date: Sun, 20 Mar 2022 18:53:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-22 15:02:32.204791
• Title: Automated Detection of Acute Promyelocytic Leukemia in Blood Films and Bone Marrow Aspirates with Annotation-free Deep Learning
• Title（参考訳）: アノテーションフリー深層学習による急性骨髄性白血病の血液膜および骨髄呼吸における自動検出
• Authors: Petru Manescu, Priya Narayanan, Christopher Bendkowski, Muna Elmi, Remy Claveau, Vijay Pawar, Biobele J. Brown, Mike Shaw, Anupama Rao, and Delmiro Fernandez-Reyes
• Abstract要約: 白血球同定のための深層学習手法MILLIE(Multiple Instance Learning)を提案する。 MILLIEは最小限の監督で血液フィルムの自動信頼性解析を行うことができる。 血液膜および骨髄吸引液中の急性前骨髄球性白血病(APL)を検出する。
• 参考スコア（独自算出の注目度）: 0.7091770799191859
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: While optical microscopy inspection of blood films and bone marrow aspirates by a hematologist is a crucial step in establishing diagnosis of acute leukemia, especially in low-resource settings where other diagnostic modalities might not be available, the task remains time-consuming and prone to human inconsistencies. This has an impact especially in cases of Acute Promyelocytic Leukemia (APL) that require urgent treatment. Integration of automated computational hematopathology into clinical workflows can improve the throughput of these services and reduce cognitive human error. However, a major bottleneck in deploying such systems is a lack of sufficient cell morphological object-labels annotations to train deep learning models. We overcome this by leveraging patient diagnostic labels to train weakly-supervised models that detect different types of acute leukemia. We introduce a deep learning approach, Multiple Instance Learning for Leukocyte Identification (MILLIE), able to perform automated reliable analysis of blood films with minimal supervision. Without being trained to classify individual cells, MILLIE differentiates between acute lymphoblastic and myeloblastic leukemia in blood films. More importantly, MILLIE detects APL in blood films (AUC 0.94+/-0.04) and in bone marrow aspirates (AUC 0.99+/-0.01). MILLIE is a viable solution to augment the throughput of clinical pathways that require assessment of blood film microscopy.
• Abstract（参考訳）: 血液学者による血液膜および骨髄吸引物の光学顕微鏡検査は、急性白血病の診断を確立するための重要なステップであり、特に他の診断モダリティが得られない低リソース環境では重要なステップである。 特に急性前骨髄球性白血病(APL)は緊急治療を必要とする。 自動計算血液病理学を臨床ワークフローに統合することで、これらのサービスのスループットを改善し、認知的ヒューマンエラーを減らすことができる。 しかし、そのようなシステムをデプロイする際の大きなボトルネックは、ディープラーニングモデルを訓練するのに十分な細胞形態的オブジェクトラベルアノテーションがないことである。 患者診断ラベルを利用して、さまざまな種類の急性白血病を検出する弱教師付きモデルを訓練する。 深層学習アプローチであるMILLIE(Multiple Instance Learning for Leukocyte Identification)を導入し、最小限の監督で血液膜の自動的信頼性解析を行う。 個々の細胞を分類する訓練を受けずに、ミリーは急性リンパ芽球性白血病と骨髄芽球性白血病を血液膜で区別する。 さらに重要なのは、MILLIEが血液膜(AUC 0.94+/-0.04)および骨髄吸引物(AUC 0.99+/-0.01)中のAPLを検出することである。 MILLIEは、血液顕微鏡検査を必要とする臨床経路のスループットを高めるための有効なソリューションである。

関連論文リスト

• A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
  白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。 深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。 本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。 提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
  論文  参考訳（メタデータ） (2024-10-18T15:23:34Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Accurate Leukocyte Detection Based on Deformable-DETR and Multi-Level Feature Fusion for Aiding Diagnosis of Blood Diseases [5.788342067882157]
  本稿では,多レベル特徴融合と変形性自己注意型DETR(MFDS-DETR)という,新しい白血球検出法を提案する。 このモデルは、チャネルアテンションモジュールを介して低レベル特徴情報をフィルタリングするために、ハイレベル特徴を重みとして利用する。 マルチスケールの変形可能な自己保持モジュールをエンコーダに組み込むことにより、白血球機能不足の問題に対処する。
  論文  参考訳（メタデータ） (2024-01-01T16:28:30Z)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• A survey on automated detection and classification of acute leukemia and WBCs in microscopic blood cells [6.117084972237769]
  白血球 (Leukemia) は、白血球や白血球が骨髄や血液中に拡散する異常な疾患である。 従来の機械学習とディープラーニング技術は、医療画像の診断と分類の精度とスピードを高めるための実践的なロードマップである。 本稿では, 急性白血病およびWBCの検出と分類に関する包括的解析を行った。
  論文  参考訳（メタデータ） (2023-03-07T14:26:08Z)
• 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)
• Leukemia detection based on microscopic blood smear images using deep learning [0.04772550536513547]
  白血病はヒトにとって最も危険な原因の1つであり、従来の血液中の白血病の診断プロセスは複雑でコストがかかり、時間を要する。 深層学習を用いたコンピュータビジョン分類技術は,従来の血痕解析の課題を克服することができる。 本システムでは, 検体を癌検体, 正常検体と分類する際の精度が97.3%である。
  論文  参考訳（メタデータ） (2022-12-19T17:17:20Z)
• Automated Detection of Acute Lymphoblastic Leukemia Subtypes from Microscopic Blood Smear Images using Deep Neural Networks [0.0]
  毎年30万件の新しい白血病が診断されている。 最も危険で致命的なタイプの白血病は急性リンパ性白血病(all)である。 本研究では,Deep Neural Networks (DNN) を用いた顕微鏡的血液スミアス画像から様々な形状のオールブラスト細胞を自動検出するシステムを提案する。
  論文  参考訳（メタデータ） (2022-07-30T20:31:59Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)

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。