Fugu-MT 論文翻訳(概要): Interpretable Prediction of Lung Squamous Cell Carcinoma Recurrence With Self-supervised Learning

論文の概要: Interpretable Prediction of Lung Squamous Cell Carcinoma Recurrence With Self-supervised Learning

arxiv url: http://arxiv.org/abs/2203.12204v1
Date: Wed, 23 Mar 2022 05:36:02 GMT
ステータス: 処理完了
システム内更新日: 2022-03-24 15:25:33.602633
Title: Interpretable Prediction of Lung Squamous Cell Carcinoma Recurrence With Self-supervised Learning
Title（参考訳）: 自己教師あり学習による肺扁平上皮癌再発の予測
Authors: Weicheng Zhu, Carlos Fernandez-Granda, Narges Razavian
Abstract要約: 肺扁平上皮癌(L SCC)は再発率と転移率が高い。タイルレベルでの病理組織像全体(WSI)の表現を学習するための,新しい条件付き自己教師型学習(SSL)法を提案する。患者レベルでの再発予測のための生存モデルの特徴として, 自己スーパービジョンから得られた表現とクラスタが使用される。
参考スコア（独自算出の注目度）: 20.54948901510215
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Lung squamous cell carcinoma (LSCC) has a high recurrence and metastasis rate. Factors influencing recurrence and metastasis are currently unknown and there are no distinct histopathological or morphological features indicating the risks of recurrence and metastasis in LSCC. Our study focuses on the recurrence prediction of LSCC based on H&E-stained histopathological whole-slide images (WSI). Due to the small size of LSCC cohorts in terms of patients with available recurrence information, standard end-to-end learning with various convolutional neural networks for this task tends to overfit. Also, the predictions made by these models are hard to interpret. Histopathology WSIs are typically very large and are therefore processed as a set of smaller tiles. In this work, we propose a novel conditional self-supervised learning (SSL) method to learn representations of WSI at the tile level first, and leverage clustering algorithms to identify the tiles with similar histopathological representations. The resulting representations and clusters from self-supervision are used as features of a survival model for recurrence prediction at the patient level. Using two publicly available datasets from TCGA and CPTAC, we show that our LSCC recurrence prediction survival model outperforms both LSCC pathological stage-based approach and machine learning baselines such as multiple instance learning. The proposed method also enables us to explain the recurrence histopathological risk factors via the derived clusters. This can help pathologists derive new hypotheses regarding morphological features associated with LSCC recurrence.
Abstract（参考訳）: 肺扁平上皮癌(LSCC)は再発率と転移率が高い。再発・転移に影響を及ぼす因子は現在不明であり,LSCCの再発・転移のリスクを示す病理組織学的,形態学的特徴は明らかでない。本研究は,H&E-stained Histopathological whole-slide image (WSI)に基づくLSCCの再発予測に焦点を当てた。 LSCCコホートのサイズが小さいため、様々な畳み込みニューラルネットワークを用いた標準的なエンドツーエンド学習は過度に適応する傾向にある。また、これらのモデルによる予測は解釈が難しい。病理組織学的WSIは典型的には非常に大きいため、小さなタイルの集合として処理される。本稿では,まず,wsiの表現をタイルレベルで学習する新しい条件付き自己教師付き学習(ssl)法を提案し,同様の病理組織学的表現を持つタイルをクラスタリングアルゴリズムを用いて同定する。患者レベルでの再発予測のための生存モデルの特徴として, 自己スーパービジョンから得られた表現とクラスターを用いる。 TCGAとCPTACの2つの公開データセットを用いて、LSCC再発予測サバイバルモデルは、LSCCの病的ステージベースアプローチと、複数のインスタンス学習のような機械学習ベースラインの両方より優れていることを示す。提案法により, 得られたクラスターを用いて再発の病理組織学的危険因子を説明できる。このことは、病理学者がLSCC再発に伴う形態学的特徴に関する新しい仮説を導き出すのに役立つ。

関連論文リスト

NMGrad: Advancing Histopathological Bladder Cancer Grading with Weakly Supervised Deep Learning [1.3911081328487294]
組織学的スライスを用いた膀胱癌評価のためのパイプラインを提案する。異なる倍率レベルでウロテリウム組織タイルを抽出し、特徴抽出のために畳み込みニューラルネットワークを用いて処理する。グレードの予測に注意を払って、ネストされた複数のインスタンス学習アプローチを採用している。
論文参考訳（メタデータ） (2024-05-24T07:02:39Z)
A Weakly Supervised Segmentation Network Embedding Cross-scale Attention Guidance and Noise-sensitive Constraint for Detecting Tertiary Lymphoid Structures of Pancreatic Tumors [19.775101438245272]
膵病理像における3次リンパ構造(TLS)の存在は膵腫瘍の予後を示す重要な指標である。数発の学習でTLSを検出するために,弱い教師付きセグメンテーションネットワークを提案する。得られた2つのデータセットに対する実験結果から,提案手法はTLSの検出精度において,最先端のセグメンテーションに基づくアルゴリズムよりも有意に優れていることが示された。
論文参考訳（メタデータ） (2023-07-27T03:25:09Z)
S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文参考訳（メタデータ） (2023-04-15T09:39:52Z)
GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP, and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文参考訳（メタデータ） (2022-11-03T16:42:40Z)
Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文参考訳（メタデータ） (2022-04-28T08:41:51Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
Deep learning for prediction of hepatocellular carcinoma recurrence after resection or liver transplantation: a discovery and validation study [10.114820721909034]
列車セットは切除でHCCを治療した患者を含み,明確な結果が得られ,LTセットはLTでHCCを治療した患者を含んでいた。 MobileNetV2_HCC_ClassはHCC切除後やLT後の他の因子よりも高い判別力を維持した。
論文参考訳（メタデータ） (2021-05-31T20:27:41Z)
Cluster Activation Mapping with Applications to Medical Imaging [4.98888193036705]
Cluster Activation Mapping (CLAM) を生成する手法を開発した。サルコイドーシス集団の3次元CTに応用し, 純粋なCTスキャンによる新しいサルコイドーシスのクラスターを同定した。
論文参考訳（メタデータ） (2020-10-09T20:37:09Z)
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)
Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。