論文の概要: RCMNet: A deep learning model assists CAR-T therapy for leukemia
- arxiv url: http://arxiv.org/abs/2205.04230v1
- Date: Fri, 6 May 2022 08:34:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 15:08:24.634686
- Title: RCMNet: A deep learning model assists CAR-T therapy for leukemia
- Title(参考訳): RCMNet:白血病に対するCAR-T治療を支援するディープラーニングモデル
- Authors: Ruitao Zhang, Xueying Han, Ijaz Gul, Shiyao Zhai, Ying Liu, Yongbing
Zhang, Yuhan Dong, Lan Ma, Dongmei Yu, Jin Zhou, Peiwu Qin
- Abstract要約: 急性白血病の治療法として, キメラ抗原受容体T(CAR-T)療法が望まれている。
CAR-T細胞の同定は、他の血液細胞との表現型類似性による大きな課題である。
我々は、畳み込みニューラルネットワーク(CNN)とTransformerを組み合わせた、RCMNetと呼ばれる新しい統合モデルを作成します。
- 参考スコア(独自算出の注目度): 10.501680821028106
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Acute leukemia is a type of blood cancer with a high mortality rate. Current
therapeutic methods include bone marrow transplantation, supportive therapy,
and chemotherapy. Although a satisfactory remission of the disease can be
achieved, the risk of recurrence is still high. Therefore, novel treatments are
demanding. Chimeric antigen receptor-T (CAR-T) therapy has emerged as a
promising approach to treat and cure acute leukemia. To harness the therapeutic
potential of CAR-T cell therapy for blood diseases, reliable cell morphological
identification is crucial. Nevertheless, the identification of CAR-T cells is a
big challenge posed by their phenotypic similarity with other blood cells. To
address this substantial clinical challenge, herein we first construct a CAR-T
dataset with 500 original microscopy images after staining. Following that, we
create a novel integrated model called RCMNet (ResNet18 with CBAM and MHSA)
that combines the convolutional neural network (CNN) and Transformer. The model
shows 99.63% top-1 accuracy on the public dataset. Compared with previous
reports, our model obtains satisfactory results for image classification.
Although testing on the CAR-T cells dataset, a decent performance is observed,
which is attributed to the limited size of the dataset. Transfer learning is
adapted for RCMNet and a maximum of 83.36% accuracy has been achieved, which is
higher than other SOTA models. The study evaluates the effectiveness of RCMNet
on a big public dataset and translates it to a clinical dataset for diagnostic
applications.
- Abstract(参考訳): 急性白血病は、死亡率の高い血液がんの一種である。
現在の治療法は骨髄移植、補助療法、化学療法である。
疾患の寛解は達成できるが、再発のリスクは高い。
そのため、新しい治療法が求められている。
急性白血病の治療法として, キメラ抗原受容体T(CAR-T)療法が望まれている。
血液疾患に対するCAR-T細胞療法の治療法の可能性を活用するためには、信頼できる細胞形態学的同定が重要である。
しかし、CAR-T細胞の同定は他の血液細胞との表現型類似性により大きな課題となる。
この重要な臨床的課題に対処するために、染色後の500個のオリジナル顕微鏡画像を用いたCAR-Tデータセットを最初に構築する。
次に、畳み込みニューラルネットワーク(CNN)とTransformerを組み合わせたRCMNet(ResNet18とCBAMとMHSA)と呼ばれる新しい統合モデルを作成する。
このモデルは、パブリックデータセットで99.63%のトップ1の精度を示している。
過去の報告と比較すると,画像分類に満足な結果が得られる。
CAR-Tセルデータセットでテストするが、データセットのサイズが限られているため、十分なパフォーマンスが観察される。
転送学習はRCMNetに適応しており、最大83.36%の精度が達成されており、他のSOTAモデルよりも高い。
本研究は,RCMNetの大規模公開データセットに対する有効性を評価し,臨床データセットに翻訳して診断を行う。
関連論文リスト
- CIMIL-CRC: a clinically-informed multiple instance learning framework
for patient-level colorectal cancer molecular subtypes classification from
H\&E stained images [45.32169712547367]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳(メタデータ) (2024-01-29T12:56:11Z) - Classification of lung cancer subtypes on CT images with synthetic
pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。
肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文 参考訳(メタデータ) (2023-08-09T02:04:05Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳(メタデータ) (2023-07-07T13:09:07Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Segmentation of Planning Target Volume in CT Series for Total Marrow
Irradiation Using U-Net [0.0]
U-Netアーキテクチャを用いたTMLI処理のためのプランニングターゲットボリューム(PTV)のセグメンテーションのためのディープラーニングに基づく自動コンストラクション手法を提案する。
本研究は放射線腫瘍学者を相当の時間で救うことができるセグメンテーションモデルの開発に向けた予備的だが重要なステップである。
論文 参考訳(メタデータ) (2023-04-05T10:40:37Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Domain-specific transfer learning in the automated scoring of
tumor-stroma ratio from histopathological images of colorectal cancer [1.2264932946286657]
腫瘍-ストローマ比 (TSR) は多くの種類の固形腫瘍の予後因子である。
この方法は、大腸癌組織を分類するために訓練された畳み込みニューラルネットワークに基づいている。
論文 参考訳(メタデータ) (2022-12-30T12:27:27Z) - Acute Lymphoblastic Leukemia Detection from Microscopic Images Using
Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。
ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。
提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
論文 参考訳(メタデータ) (2021-05-09T18:58:48Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Deep Feature Fusion for Mitosis Counting [0.0]
有糸分裂細胞数は、乳がんの攻撃性または品位を評価する最も一般的な検査の1つである。
ディープラーニングネットワークは、興味のある領域を自動的にローカライズできる医療アプリケーションに適用されている。
提案手法は,オブジェクト検出のための高速RCNNを利用して,RGB画像特徴を持つUNetによって生成されたセグメンテーション機能を融合させ,MITOS-ATYPIA 2014 mitosis counting Challengeデータセット上で0.508のFスコアを達成する。
論文 参考訳(メタデータ) (2020-02-01T20:20:00Z)
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。