論文の概要: Pan-cancer computational histopathology reveals tumor mutational burden status through weakly-supervised deep learning

• arxiv url: http://arxiv.org/abs/2204.03257v1
• Date: Thu, 7 Apr 2022 07:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-09 03:19:24.369775
• Title: Pan-cancer computational histopathology reveals tumor mutational burden status through weakly-supervised deep learning
• Title（参考訳）: pan-cancer computational histopathology (pan-cancer computational histopathology) による弱教師付き深層学習による腫瘍突然変異性重荷状態の解明
• Authors: Siteng Chen, Jinxi Xiang, Xiyue Wang, Jun Zhang, Sen Yang, Junzhou Huang, Wei Yang, Junhua Zheng, Xiao Han
• Abstract要約: 腫瘍突然変異負担(TMB)は、様々ながんに対する免疫療法の恩恵を受ける患者を特定するのに役立つ潜在的なゲノムバイオマーカーである。 パンキャンサーTMB予測モデル(PC-TMB)を開発した。 PC-TMB アルゴリズムは AUC の 0.732 (0.683-0.761) による外部検証コホートをよく一般化した。
• 参考スコア（独自算出の注目度）: 41.61294299606317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tumor mutational burden (TMB) is a potential genomic biomarker that can help identify patients who will benefit from immunotherapy across a variety of cancers. We included whole slide images (WSIs) of 3228 diagnostic slides from the Cancer Genome Atlas and 531 WSIs from the Clinical Proteomic Tumor Analysis Consortium for the development and verification of a pan-cancer TMB prediction model (PC-TMB). We proposed a multiscale weakly-supervised deep learning framework for predicting TMB of seven types of tumors based only on routinely used hematoxylin-eosin (H&E)-stained WSIs. PC-TMB achieved a mean area under curve (AUC) of 0.818 (0.804-0.831) in the cross-validation cohort, which was superior to the best single-scale model. In comparison with the state-of-the-art TMB prediction model from previous publications, our multiscale model achieved better performance over previously reported models. In addition, the improvements of PC-TMB over the single-tumor models were also confirmed by the ablation tests on 10x magnification. The PC-TMB algorithm also exhibited good generalization on external validation cohort with AUC of 0.732 (0.683-0.761). PC-TMB possessed a comparable survival-risk stratification performance to the TMB measured by whole exome sequencing, but with low cost and being time-efficient for providing a prognostic biomarker of multiple solid tumors. Moreover, spatial heterogeneity of TMB within tumors was also identified through our PC-TMB, which might enable image-based screening for molecular biomarkers with spatial variation and potential exploring for genotype-spatial heterogeneity relationships.
• Abstract（参考訳）: 腫瘍突然変異負担(TMB)は、様々ながんに対する免疫療法の恩恵を受ける患者を特定するのに役立つ潜在的なゲノムバイオマーカーである。 がんゲノムアトラスから3228個の診断スライドの全スライド画像(wsis)と,臨床プロテオミクス腫瘍解析コンソーシアムから531個のwsisを抽出し,パン癌tmb予測モデル(pc-tmb)の開発と検証を行った。 ヘマトキシリン-エオシン(h&e)持続性wsisのみに基づいて7種類の腫瘍のtmbを予測するための多スケール弱教師付き深層学習フレームワークを提案した。 PC-TMBはクロスバリデーションコホートにおいて曲線平均面積(AUC)0.818(0.804-0.831)を達成した。 先行論文の最先端tmb予測モデルと比較すると, 従来報告したモデルと比較して, マルチスケールモデルの性能が向上した。 さらに, 単腫瘍モデルに対するPC-TMBの改善も10倍のアブレーション試験により確認した。 PC-TMBアルゴリズムはまた、AUCの0.732 (0.683-0.761)と外部検証コホートをうまく一般化した。 PC-TMBは全ゲノムシークエンシングにより測定されたTMBに匹敵する生存リスクの階層化性能を有していたが, 低コストで, 複数の固形腫瘍の診断的バイオマーカーを提供するための時間効率が高かった。 また,腫瘍内におけるtmbの空間的不均一性もpc-tmbにより同定され,空間的変異を有する分子バイオマーカーのイメージベーススクリーニングが可能となり,遺伝子型と空間的不均一性の関係を探索する可能性が示唆された。

関連論文リスト

• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• 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)
• Multilevel Perception Boundary-guided Network for Breast Lesion Segmentation in Ultrasound Images [9.252383213566947]
  超音波画像から乳腺腫瘍を分離する多レベルグローバル認識モジュール(MGPM)と境界誘導モジュール(BGM)で構成されるPBNetを提案する。 MGPMでは、単一レベル特徴写像におけるボクセル間の長距離空間依存性をモデル化し、次いで多レベル意味情報を融合する。 BGMでは,腫瘍の境界線を最大プールの希釈および浸食効果を用いて高レベルセマンティックマップから抽出する。
  論文  参考訳（メタデータ） (2023-10-23T07:21:02Z)
• Automated ensemble method for pediatric brain tumor segmentation [0.0]
  本研究では,ONet と UNet の修正版を用いた新しいアンサンブル手法を提案する。 データ拡張により、さまざまなスキャンプロトコル間の堅牢性と精度が保証される。 以上の結果から,この高度なアンサンブルアプローチは診断精度の向上に期待できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-14T15:29:32Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• CancerUniT: Towards a Single Unified Model for Effective Detection, Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans [45.83431075462771]
  ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。 ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。 CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
  論文  参考訳（メタデータ） (2023-01-28T20:09:34Z)
• A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI [0.28675177318965034]
  磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案 第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。 第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
  論文  参考訳（メタデータ） (2022-01-14T10:24:47Z)
• Learn-Morph-Infer: a new way of solving the inverse problem for brain tumor modeling [1.1214822628210914]
  本稿では,T1GdとFLAIR MRIから患者特異的な脳腫瘍の空間分布を推定する手法を提案する。 itLearn-Morph-Inferと組み合わせたこの手法は、広く利用可能なハードウェア上で、数分のオーダーでリアルタイムのパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-07T13:45:35Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。