Fugu-MT 論文翻訳(概要): Contrastive learning-based computational histopathology predict differential expression of cancer driver genes

論文の概要: Contrastive learning-based computational histopathology predict differential expression of cancer driver genes

arxiv url: http://arxiv.org/abs/2204.11994v1
Date: Mon, 25 Apr 2022 23:21:33 GMT
ステータス: 処理完了
システム内更新日: 2022-04-27 13:33:52.469247
Title: Contrastive learning-based computational histopathology predict differential expression of cancer driver genes
Title（参考訳）: コントラスト学習による癌ドライバ遺伝子の差分発現予測
Authors: Haojue Huang, Gongming Zhou, Xuejun Liu, Lei Deng, Chen Wu, Dachuan Zhang, and Hui Liu
Abstract要約: HistCodeは、スライド画像全体から差分遺伝子発現を推論する、自己教師付きコントラスト学習フレームワークである。以上の結果から,本手法は腫瘍診断タスクにおける他の最先端モデルよりも優れていた。
参考スコア（独自算出の注目度）: 12.538471430527128
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Digital pathological analysis is run as the main examination used for cancer diagnosis. Recently, deep learning-driven feature extraction from pathology images is able to detect genetic variations and tumor environment, but few studies focus on differential gene expression in tumor cells. In this paper, we propose a self-supervised contrastive learning framework, HistCode, to infer differential gene expressions from whole slide images (WSIs). We leveraged contrastive learning on large-scale unannotated WSIs to derive slide-level histopathological feature in latent space, and then transfer it to tumor diagnosis and prediction of differentially expressed cancer driver genes. Our extensive experiments showed that our method outperformed other state-of-the-art models in tumor diagnosis tasks, and also effectively predicted differential gene expressions. Interestingly, we found the higher fold-changed genes can be more precisely predicted. To intuitively illustrate the ability to extract informative features from pathological images, we spatially visualized the WSIs colored by the attentive scores of image tiles. We found that the tumor and necrosis areas were highly consistent with the annotations of experienced pathologists. Moreover, the spatial heatmap generated by lymphocyte-specific gene expression patterns was also consistent with the manually labeled WSI.
Abstract（参考訳）: 癌の診断に使用される主な検査は、デジタル病理解析である。近年,病理画像からの深層学習による特徴抽出は遺伝的変異や腫瘍環境を検出することができるが,腫瘍細胞における遺伝子発現の相違に焦点をあてる研究は少ない。本稿では,全スライド画像(wsis)から微分遺伝子発現を推定する,自己教師付きコントラスト学習フレームワークであるhistcodeを提案する。大規模無注釈WSIに対する対照的な学習を利用して,潜伏空間におけるスライドレベルの病理組織学的特徴を導出し,腫瘍診断と鑑別された癌ドライバ遺伝子の予測に移行した。広範な実験の結果,腫瘍診断における他の最先端モデルよりも優れており,遺伝子発現の予測も効果的であった。興味深いことに、高い折りたたみ遺伝子をより正確に予測できることがわかった。病理画像から情報的特徴を抽出する能力を直感的に示すため,画像タイルの注意点で彩色したwsisを空間的に可視化した。腫瘍と壊死領域は,経験豊富な病理医のアノテーションと非常に一致していた。さらに, リンパ球特異的遺伝子発現パターンによって生成された空間熱マップは, 手動でラベル付けしたWSIと一致していた。

関連論文リスト

Multimodal contrastive learning for spatial gene expression prediction using histology images [13.47034080678041]
空間的トランスクリプトミクス表現予測のための Transformer と Densenet-121 エンコーダを用いたマルチモーダルコントラスト学習である textbfmclSTExp を提案する。 textbfmclSTExpは空間的遺伝子発現を予測するのに優れた性能を持つ。がん特異的な過剰発現遺伝子を解釈し、免疫関連遺伝子を解明し、病理学者によって注釈された特別な空間領域を特定することには、有望であることが示されている。
論文参考訳（メタデータ） (2024-07-11T06:33:38Z)
Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文参考訳（メタデータ） (2023-09-26T03:59:21Z)
Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。遺伝子発現は癌の早期発見において基本的な役割を担っている。本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文参考訳（メタデータ） (2023-01-28T15:03:03Z)
Attention-based Interpretable Regression of Gene Expression in Histology [0.0]
深層学習の解釈可能性は、医用画像モデルの信頼性を評価するために広く利用されている。腫瘍組織の顕微な外観と遺伝子発現のプロファイリングとの関連性を明らかにする。
論文参考訳（メタデータ） (2022-08-29T07:30:33Z)
Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文参考訳（メタデータ） (2022-02-27T02:19:09Z)
All You Need is Color: Image based Spatial Gene Expression Prediction using Neural Stain Learning [11.9045433112067]
本研究では,空間的転写学的遺伝子発現プロファイルの予測のための機械学習手法を提案する。提案手法から得られた遺伝子発現予測は,シークエンシングにより得られた真の表現値と高い相関関係を示した。
論文参考訳（メタデータ） (2021-08-23T23:43:38Z)
Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable Multimodal Deep Learning [4.764927152701701]
14種類のがん患者5,720人のスライド画像,RNA配列,コピー数の変化,および突然変異データを統合する。我々の解釈可能な、弱教師付き、マルチモーダルなディープラーニングアルゴリズムは、これらの不均一なモダリティを融合して結果を予測することができる。本研究は,全ての癌型にまたがる予後予測に寄与する形態学的および分子マーカーを解析する。
論文参考訳（メタデータ） (2021-08-04T20:40:05Z)
Adversarial learning of cancer tissue representations [6.395981404833557]
手動のアノテーションを必要とせずに,癌組織の特徴表現を抽出する逆学習モデルを提案する。これらの表現は乳癌,大腸癌,肺がんの3種類の形態学的特徴を同定することができる。以上の結果から,本モデルが実際の組織試料の特異な表現特性を捉え,腫瘍進展と腫瘍微小環境のさらなる理解の道を開くことが示唆された。
論文参考訳（メタデータ） (2021-08-04T18:00:47Z)
Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文参考訳（メタデータ） (2020-11-22T17:31:23Z)
Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-02T12:00:53Z)
Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文参考訳（メタデータ） (2020-05-22T19:49:10Z)

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。