論文の概要: Mapping the landscape of histomorphological cancer phenotypes using
self-supervised learning on unlabeled, unannotated pathology slides
- arxiv url: http://arxiv.org/abs/2205.01931v3
- Date: Fri, 1 Sep 2023 15:26:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 17:40:16.142463
- Title: Mapping the landscape of histomorphological cancer phenotypes using
self-supervised learning on unlabeled, unannotated pathology slides
- Title（参考訳）: ラベルなし・無注釈病理スライドを用いた自己教師付き学習による組織形態学的癌表現型の景観のマッピング
- Authors: Adalberto Claudio Quiros, Nicolas Coudray, Anna Yeaton, Xinyu Yang,
Bojing Liu, Hortense Le, Luis Chiriboga, Afreen Karimkhan, Navneet Narula,
David A. Moore, Christopher Y. Park, Harvey Pass, Andre L. Moreira, John Le
Quesne, Aristotelis Tsirigos, Ke Yuan
- Abstract要約: 病理形態学的現象型学習は、小さな画像タイルにおける識別画像の特徴の自動発見を通じて行われる。
タイルは、組織形態学的表現型のライブラリを構成する形態学的に類似したクラスターに分類される。
- 参考スコア（独自算出の注目度）: 9.27127895781971
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Definitive cancer diagnosis and management depend upon the extraction of
information from microscopy images by pathologists. These images contain
complex information requiring time-consuming expert human interpretation that
is prone to human bias. Supervised deep learning approaches have proven
powerful for classification tasks, but they are inherently limited by the cost
and quality of annotations used for training these models. To address this
limitation of supervised methods, we developed Histomorphological Phenotype
Learning (HPL), a fully blue{self-}supervised methodology that requires no
expert labels or annotations and operates via the automatic discovery of
discriminatory image features in small image tiles. Tiles are grouped into
morphologically similar clusters which constitute a library of
histomorphological phenotypes, revealing trajectories from benign to malignant
tissue via inflammatory and reactive phenotypes. These clusters have distinct
features which can be identified using orthogonal methods, linking histologic,
molecular and clinical phenotypes. Applied to lung cancer tissues, we show that
they align closely with patient survival, with histopathologically recognised
tumor types and growth patterns, and with transcriptomic measures of
immunophenotype. We then demonstrate that these properties are maintained in a
multi-cancer study. These results show the clusters represent recurrent host
responses and modes of tumor growth emerging under natural selection. Code,
pre-trained models, learned embeddings, and documentation are available to the
community at
https://github.com/AdalbertoCq/Histomorphological-Phenotype-Learning
- Abstract（参考訳）: がんの診断と管理は、病理学者による顕微鏡画像からの情報抽出に依存する。
これらの画像は、人間の偏見にかかわる、時間を要する専門家の解釈を必要とする複雑な情報を含んでいる。
教師付きディープラーニングアプローチは分類タスクには強力であることが証明されているが、これらのモデルのトレーニングに使用されるアノテーションのコストと品質によって本質的に制限されている。
このような教師付き手法の制限に対処するため,我々は,専門家ラベルやアノテーションを必要とせず,小さな画像タイルにおける識別画像の特徴の自動発見を通じて機能する,完全に青色の自己管理手法であるヒストフォロジカル・フェノタイプ学習(HPL)を開発した。
タイルは形態学的に類似したクラスターに分類され、組織形態学的表現型のライブラリーを構成し、炎症性および反応性の表現型を介して良性から悪性組織への軌跡を明らかにする。
これらのクラスターは、組織学的、分子学的および臨床的表現型をリンクして、直交法を用いて識別できる特徴がある。
肺がん組織は, 組織学的に腫瘍のタイプや成長パターン, 免疫フェノタイプの転写学的測定と一致し, 生存率も良好であった。
次に,これらの性質がマルチカンサー研究で維持されていることを示す。
これらの結果は, 自然選択下で出現する腫瘍の再発反応と増殖様式を示す。
コード、事前トレーニングされたモデル、学習された埋め込み、ドキュメントはhttps://github.com/AdalbertoCq/Histomorphological-Phenotype-Learningでコミュニティに公開されている。
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。