論文の概要: Deep learning-based approach to reveal tumor mutational burden status
from whole slide images across multiple cancer types
- arxiv url: http://arxiv.org/abs/2204.03257v2
- Date: Sat, 27 May 2023 09:36:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 04:30:06.025497
- Title: Deep learning-based approach to reveal tumor mutational burden status
from whole slide images across multiple cancer types
- Title（参考訳）: 深層学習に基づく複数種類の癌画像から腫瘍の突然変異負担状態を明らかにするアプローチ
- 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、免疫療法の潜在的なゲノムバイオマーカーである。
ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。
本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
- 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 of
immunotherapy. However, TMB detected through whole exome sequencing lacks
clinical penetration in low-resource settings. In this study, we proposed a
multi-scale deep learning framework to address the detection of TMB status from
routinely used whole slide images for a multiple cancer TMB prediction model
(MC- TMB). The MC-TMB achieved a mean area under the curve (AUC) of 0.818
(0.804-0.831) in the cross-validation cohort, which showed superior performance
to each single-scale model. The improvements of MC-TMB over the single-tumor
models were also confirmed by the ablation tests on x10 magnification, and the
highly concerned regions typically correspond to dense lymphocytic infiltration
and heteromorphic tumor cells. MC-TMB algorithm also exhibited good
generalization on the external validation cohort with an AUC of 0.732
(0.683-0.761), and better performance when compared to other methods. In
conclusion, we proposed a deep learning-based approach to reveal tumor
mutational burden status from routinely used pathological slides across
multiple cancer types.
- Abstract（参考訳）: 腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。
しかし,exomeシークエンシングで検出されたtmbは低リソース環境における臨床浸透性に欠ける。
本研究では,多癌TMB予測モデル(MC-TMB)において,日常的に使用されるスライド画像からTMB状態を検出するためのマルチスケールディープラーニングフレームワークを提案する。
MC-TMB はクロスバリデーションコホートにおいて 0.818 (0.804-0.831) の曲線下の平均面積を達成し, 各単スケールモデルよりも優れた性能を示した。
単発腫瘍モデルに対するmc-tmbの改良はx10倍率のアブレーション試験でも確認され、高関心領域は一般的に密集したリンパ組織浸潤および異型腫瘍細胞に対応している。
MC-TMBアルゴリズムは、AUCが0.732(0.683-0.761)で外部検証コホートをうまく一般化し、他の手法と比較して性能が向上した。
以上より,複数のがんタイプにまたがる病的スライドから腫瘍突然変異の重荷状態を明らかにするための深層学習に基づくアプローチを提案した。
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。