Fugu-MT 論文翻訳(概要): Colorectal cancer survival prediction using deep distribution based multiple-instance learning

論文の概要: Colorectal cancer survival prediction using deep distribution based multiple-instance learning

arxiv url: http://arxiv.org/abs/2204.11294v1
Date: Sun, 24 Apr 2022 14:55:57 GMT
ステータス: 処理完了
システム内更新日: 2022-04-27 00:49:34.154293
Title: Colorectal cancer survival prediction using deep distribution based multiple-instance learning
Title（参考訳）: 深層分布型マルチインテンス学習による大腸癌生存予測
Authors: Xingyu Li, Jitendra Jonnagaddala, Min Cen, Hong Zhang, Xu Steven Xu
Abstract要約: 分布に基づくマルチインスタンスサバイバル学習アルゴリズム(DeepDisMISL)を開発した。以上の結果から,WSI に対するパッチスコアの分布に関する情報が増えるほど,予測性能が向上することが示唆された。 DeepDisMISLは、最近発表された最先端のアルゴリズムよりも優れた予測能力を示した。
参考スコア（独自算出の注目度）: 5.231498575799198
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Several deep learning algorithms have been developed to predict survival of cancer patients using whole slide images (WSIs).However, identification of image phenotypes within the WSIs that are relevant to patient survival and disease progression is difficult for both clinicians, and deep learning algorithms. Most deep learning based Multiple Instance Learning (MIL) algorithms for survival prediction use either top instances (e.g., maxpooling) or top/bottom instances (e.g., MesoNet) to identify image phenotypes. In this study, we hypothesize that wholistic information of the distribution of the patch scores within a WSI can predict the cancer survival better. We developed a distribution based multiple-instance survival learning algorithm (DeepDisMISL) to validate this hypothesis. We designed and executed experiments using two large international colorectal cancer WSIs datasets - MCO CRC and TCGA COAD-READ. Our results suggest that the more information about the distribution of the patch scores for a WSI, the better is the prediction performance. Including multiple neighborhood instances around each selected distribution location (e.g., percentiles) could further improve the prediction. DeepDisMISL demonstrated superior predictive ability compared to other recently published, state-of-the-art algorithms. Furthermore, our algorithm is interpretable and could assist in understanding the relationship between cancer morphological phenotypes and patients cancer survival risk.
Abstract（参考訳）: whole slide image (wsis) を用いてがん患者の生存率を予測するディープラーニングアルゴリズムが開発されている。しかし、患者生存と疾患進行に関連するWSI内の画像表現型の同定は、臨床医と深層学習アルゴリズムの両方にとって困難である。生存予測のための最も深い学習に基づく多重インスタンス学習(MIL)アルゴリズムは、トップインスタンス(例えば、最大プール)またはトップ/ボットインスタンス(例えば、MesoNet)を使用して画像表現型を識別する。本研究では,wsi内のパッチスコアの分布に関するヒューリスティックな情報が,癌生存率の予測に有効であることを仮定した。この仮説を検証するために,分布に基づく多重インスタンス生存学習アルゴリズム(DeepDisMISL)を開発した。我々は,MCO CRCとTCGA COAD-READの2つの大規模大腸癌WSIsデータセットを用いて実験を設計・実行した。以上の結果から,wsi のパッチスコアの分布に関する情報が多いほど,予測性能が向上することが示唆された。選択された分布位置(例えばパーセンタイル)に複数の近傍インスタンスを含めることで、予測をさらに改善することができる。 DeepDisMISLは、最近発表された最先端のアルゴリズムよりも優れた予測能力を示した。さらに,本アルゴリズムは解釈可能であり,癌形態学的表現型とがん生存リスクとの関係の理解に役立てることができる。

関連論文リスト

M2EF-NNs: Multimodal Multi-instance Evidence Fusion Neural Networks for Cancer Survival Prediction [24.323961146023358]
本稿では,M2EF-NNと呼ばれるニューラルネットワークモデルを提案する。画像中のグローバル情報をキャプチャするために、事前訓練された視覚変換器(ViT)モデルを用いる。 Dempster-Shaferエビデンス理論(DST)を癌生存予測に適用した最初の例である。
論文参考訳（メタデータ） (2024-08-08T02:31:04Z)
SCMIL: Sparse Context-aware Multiple Instance Learning for Predicting Cancer Survival Probability Distribution in Whole Slide Images [9.005219442274344]
WSI(Whole Slide Image)に基づく既存のがん生存予測法では、より臨床的に有意義な予測が得られないことが多い。がん生存確率分布を予測するためのスパースコンテキスト対応マルチインスタンス学習フレームワークを提案する。以上の結果から,SCMILは生存予測の最先端手法に優れており,より臨床的に有意かつ解釈可能な結果をもたらすことが示唆された。
論文参考訳（メタデータ） (2024-06-30T11:22:36Z)
ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文参考訳（メタデータ） (2023-04-07T23:51:07Z)
Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文参考訳（メタデータ） (2022-11-29T23:47:56Z)
MHAttnSurv: Multi-Head Attention for Survival Prediction Using Whole-Slide Pathology Images [4.148207298604488]
腫瘍スライドの様々な部分に焦点を合わせ,WSIからより包括的な情報抽出を行うマルチヘッドアテンションアプローチを開発した。われわれのモデルでは平均Cインデックス0.640を達成し、WSIベースの生存予測のための2つの最先端アプローチを上回りました。
論文参考訳（メタデータ） (2021-10-22T02:18:27Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。共通情報と相補情報の両方を敵意で抽出することを目的としている。特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文参考訳（メタデータ） (2021-02-15T18:46:44Z)
Whole Slide Images based Cancer Survival Prediction using Attention Guided Deep Multiple Instance Learning Networks [38.39901070720532]
Whole Slide Images(WSIs)から派生したキーパッチやクラスタに制限される現在の画像ベースサバイバルモデル我々は,シムMI-FCNとアテンションベースMILプーリングの両方を導入して,Deep Attention Multiple Instance Survival Learning (DeepAttnMISL)を提案する。提案手法を2つの大きな癌全スライド画像データセットで評価した結果,提案手法がより効果的で,大規模データセットに適していることが示唆された。
論文参考訳（メタデータ） (2020-09-23T14:31:15Z)
M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文参考訳（メタデータ） (2020-06-01T05:21:37Z)
A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文参考訳（メタデータ） (2020-04-30T20:42:17Z)
An Investigation of Interpretability Techniques for Deep Learning in Predictive Process Analytics [2.162419921663162]
本稿では、深層ニューラルネットワークとランダムフォレストという、医学的意思決定文学において最も成功した学習アルゴリズムの2つの解釈可能性手法について検討する。我々は,患者のがんの種類を予測するためのモデルを学ぶ。がんのタイプに関する有用な洞察を提供する予測に使用される特定の特徴と、十分に一般化されていない特徴が見られます。
論文参考訳（メタデータ） (2020-02-21T09:14:34Z)

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。