論文の概要: Self-supervised learning unveils morphological clusters behind lung
cancer types and prognosis
- arxiv url: http://arxiv.org/abs/2205.01931v1
- Date: Wed, 4 May 2022 08:06:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-05 22:30:07.409325
- Title: Self-supervised learning unveils morphological clusters behind lung
cancer types and prognosis
- Title（参考訳）: 自己教師型学習が肺がんのタイプと予後を支える形態的クラスターを公開
- Authors: Adalberto Claudio Quiros, Nicolas Coudray, Anna Yeaton, Xinyu Yang,
Luis Chiriboga, Afreen Karimkhan, Navneet Narula, Harvey Pass, Andre L.
Moreira, John Le Quesne, Aristotelis Tsirigos, Ke Yuan
- Abstract要約: 組織形態学的表現型を抽出する手法である表現型表現学習(PRL)を提案する。
PRLは、共通の形態的および細胞的特徴を共有する組織パターンを同定することにより、表現型クラスタを生成する。
PRLは,各肺サブタイプに対して,統計的に関連性のある表現型を提供する頑健な肺サブタイプ予測を実現していることを示す。
- 参考スコア（独自算出の注目度）: 8.164628432915757
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Histopathological images of tumors contain abundant information about how
tumors grow and how they interact with their micro-environment. Characterizing
and improving our understanding of phenotypes could reveal factors related to
tumor progression and their underpinning biological processes, ultimately
improving diagnosis and treatment. In recent years, the field of histological
deep learning applications has seen great progress, yet most of these
applications focus on a supervised approach, relating tissue and associated
sample annotations. Supervised approaches have their impact limited by two
factors. Firstly, high-quality labels are expensive in time and effort, which
makes them not easily scalable. Secondly, these methods focus on predicting
annotations from histological images, fundamentally restricting the discovery
of new tissue phenotypes. These limitations emphasize the importance of using
new methods that can characterize tissue by the features enclosed in the image,
without pre-defined annotation or supervision. We present Phenotype
Representation Learning (PRL), a methodology to extract histomorphological
phenotypes through self-supervised learning and community detection. PRL
creates phenotype clusters by identifying tissue patterns that share common
morphological and cellular features, allowing to describe whole slide images
through compositional representations of cluster contributions. We used this
framework to analyze histopathology slides of LUAD and LUSC lung cancer
subtypes from TCGA and NYU cohorts. We show that PRL achieves a robust lung
subtype prediction providing statistically relevant phenotypes for each lung
subtype. We further demonstrate the significance of these phenotypes in lung
adenocarcinoma overall and recurrence free survival, relating clusters with
patient outcomes, cell types, grown patterns, and omic-based immune signatures.
- Abstract（参考訳）: 腫瘍の病理像は、腫瘍がどのように成長し、どのように微小環境と相互作用するかについての豊富な情報を含んでいる。
表現型の特徴と理解の改善は、腫瘍の進行とその生物学的過程に関連する要因を明らかにし、最終的に診断と治療を改善する可能性がある。
近年、組織学の深層学習アプリケーションの分野では大きな進歩が見られるが、そのほとんどは組織と関連するサンプルアノテーションに関する教師ありアプローチに焦点が当てられている。
監視されたアプローチは、その影響を2つの要因に制限する。
第一に、高品質なラベルは時間と労力がかかるため、スケーラビリティが損なわれる。
第2に、これらの手法は組織像からのアノテーションの予測に焦点を当て、新しい組織表現型の発見を基本的に制限している。
これらの制限は、事前に定義されたアノテーションや監督なしに、画像に囲まれた特徴によって組織を特徴付けることができる新しい方法を使うことの重要性を強調している。
自己教師付き学習とコミュニティ検出を通じて組織形態学的表現型を抽出する手法である表現型表現学習(prl)を提案する。
prlは、共通の形態的および細胞的特徴を共有する組織パターンを識別することで表現型クラスタを作成し、クラスタ貢献の合成表現を通じてスライドイメージ全体を記述できる。
我々はこの枠組みを用いて,TCGAおよびNYUコホートからのLUADおよびLUSC肺がんサブタイプの病理組織学的スライドを解析した。
PRLは各肺サブタイプに対して統計的に関連性のある表現型を提供する頑健な肺サブタイプ予測を実現する。
さらに, 肺腺癌におけるこれらの表現型の重要性, 再発のない生存率, 患者予後, 細胞型, 成長パターン, および肥満による免疫症状との関連について検討した。
関連論文リスト
- From Pixel to Slide image: Polarization Modality-based Pathological
Diagnosis Using Representation Learning [9.326969394501958]
病理組織学的には、甲状腺腫瘍は不適切な検体採取による診断上の課題となる。
甲状腺腫瘍の鑑別のための画素レベルのアノテーションとスライスレベルのアノテーションを統合するために,表現学習を用いた3段階モデルを構築した。
論文 参考訳（メタデータ） (2024-01-03T02:01:09Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - Multi-task Learning of Histology and Molecular Markers for Classifying
Diffuse Glioma [9.082753496844731]
組織学と分子マーカーを共同で予測する階層型マルチタスクマルチインスタンス学習フレームワークを提案する。
また,分子マーカーの共起をモデル化するために,共起確率に基づくラベル補正グラフネットワークを提案する。
以上の結果から,本手法はびまん性グリオーマの分類において,他の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-03-26T23:00:00Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Deep Learning Generates Synthetic Cancer Histology for Explainability
and Education [37.13457398561086]
条件付き生成逆数ネットワーク(英: Conditional Generative Adversarial Network、cGAN)は、合成画像を生成するAIモデルである。
本稿では,cGANを用いた分子サブタイプ腫瘍の分類訓練モデルについて述べる。
腫瘍の病理組織学的所見に対するヒトの理解を増強し, 向上させることが, 明確で直感的なcGANの可視化に有効であることを示す。
論文 参考訳（メタデータ） (2022-11-12T00:14:57Z) - Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic
Disorders [55.41644538483948]
分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。
従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。
本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
論文 参考訳（メタデータ） (2022-10-23T11:52:57Z) - Weakly-supervised learning for image-based classification of primary
melanomas into genomic immune subgroups [1.4585861543119112]
我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。
我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
論文 参考訳（メタデータ） (2022-02-23T13:57:35Z) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - 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) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。