論文の概要: A review of machine learning approaches, challenges and prospects for
computational tumor pathology
- arxiv url: http://arxiv.org/abs/2206.01728v1
- Date: Tue, 31 May 2022 14:56:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-12 21:32:36.320165
- Title: A review of machine learning approaches, challenges and prospects for
computational tumor pathology
- Title（参考訳）: 計算腫瘍病理学における機械学習のアプローチと課題と展望
- Authors: Liangrui Pan, Zhichao Feng, Shaoliang Peng
- Abstract要約: 腫瘍計算病理学は、データ統合、ハードウェア処理、ネットワーク共有帯域幅、機械学習技術に挑戦する。
本稿では,病的・技術的観点から,計算病理学における前処理手法について検討する。
計算病理学応用における機械学習の課題と展望について論じる。
- 参考スコア（独自算出の注目度）: 1.2036642553849346
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational pathology is part of precision oncology medicine. The
integration of high-throughput data including genomics, transcriptomics,
proteomics, metabolomics, pathomics, and radiomics into clinical practice
improves cancer treatment plans, treatment cycles, and cure rates, and helps
doctors open up innovative approaches to patient prognosis. In the past decade,
rapid advances in artificial intelligence, chip design and manufacturing, and
mobile computing have facilitated research in computational pathology and have
the potential to provide better-integrated solutions for whole-slide images,
multi-omics data, and clinical informatics. However, tumor computational
pathology now brings some challenges to the application of tumour screening,
diagnosis and prognosis in terms of data integration, hardware processing,
network sharing bandwidth and machine learning technology. This review
investigates image preprocessing methods in computational pathology from a
pathological and technical perspective, machine learning-based methods, and
applications of computational pathology in breast, colon, prostate, lung, and
various tumour disease scenarios. Finally, the challenges and prospects of
machine learning in computational pathology applications are discussed.
- Abstract（参考訳）: 計算病理学は精密腫瘍医学の一部である。
ゲノム学、転写学、プロテオミクス、メタボロミクス、病理学、放射線学を含む高スループットデータを臨床実践に統合することで、がん治療計画、治療サイクル、治療率を改善し、患者の予後に対する革新的なアプローチを開くのに役立つ。
過去10年間、人工知能、チップ設計、製造、モバイルコンピューティングの急速な進歩により、計算病理学の研究が促進され、全体スライダー画像、マルチオミクスデータ、臨床情報学のより良い統合ソリューションを提供する可能性がある。
しかし腫瘍の計算病理学は, 腫瘍検診, 診断, 予後に, データ統合, ハードウェア処理, ネットワーク共有帯域幅, 機械学習技術の観点からいくつかの課題をもたらす。
本稿では, 乳腺, 大腸, 前立腺, 肺, および各種腫瘍疾患における画像前処理法, 機械学習に基づく方法, および計算病理学の応用について検討する。
最後に,計算病理応用における機械学習の課題と展望について述べる。
関連論文リスト
- Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis:
A review [2.2268038840298714]
バイオメディカルな知識とデータの融合を取り入れた最先端の機械学習研究について概説する。
機械学習パイプラインにおける知識表現の多様な形態と知識統合の現在の戦略について概説する。
論文 参考訳（メタデータ） (2024-01-12T07:01:36Z) - Artificial Intelligence for Digital and Computational Pathology [8.255348228685682]
組織スライドのデジタル化の進展と人工知能の急速な進歩は、計算病理学の分野を加速させた。
本総説では, クリニカルエンドポイントの予測手法の進歩を概説する。
これらの開発が臨床の自動化と新しいバイオマーカーの発見を可能にしている点を強調している。
論文 参考訳（メタデータ） (2023-12-13T00:22:52Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - Computational Pathology for Brain Disorders [0.0]
この章は、脳障害のコンテキスト内でスライド画像全体を分析するために使用される最先端の機械学習技術を理解することに焦点を当てている。
我々は、識別的アプローチと脳障害に対する品質結果を提供する、注目すべき機械学習アルゴリズムの選択的セットを提案する。
論文 参考訳（メタデータ） (2023-01-13T14:09:02Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - Machine Learning Applications in Diagnosis, Treatment and Prognosis of
Lung Cancer [22.84388553607303]
本稿では, 肺癌の診断と治療のさまざまな側面を強化する機械学習によるアプローチの概要について述べる。
肺癌における機械学習の今後の応用に向けた課題と機会を強調した。
論文 参考訳（メタデータ） (2022-03-05T17:43:57Z) - Machine Learning and Deep Learning Methods for Building Intelligent
Systems in Medicine and Drug Discovery: A Comprehensive Survey [0.0]
Artificail Intelligenceベースのフレームワークは、医療業界に急速に革命をもたらしている。
これらのインテリジェントシステムは、機械学習とディープラーニングに基づく、疾患の早期診断のための堅牢なモデルで構築されている。
本稿では,16の専門分野にわたる機械学習と深層学習の応用に関する調査に焦点をあてる。
論文 参考訳（メタデータ） (2021-07-19T14:26:03Z) - Machine Learning Applications for Therapeutic Tasks with Genomics Data [49.98249191161107]
ゲノム学の機械学習応用に関する文献を、治療開発のレンズでレビューします。
治療パイプライン全体にわたるゲノミクス応用における22の機械学習を同定する。
この分野における7つの重要な課題を、拡大と影響の機会として挙げる。
論文 参考訳（メタデータ） (2021-05-03T21:20:20Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z) - Review of Machine Learning Algorithms for Brain Stroke Diagnosis and
Prognosis by EEG Analysis [50.591267188664666]
ストローク(Strokes)は、アメリカ合衆国の成人障害の主要な原因である。
脳-コンピュータインタフェース(Brain-Computer Interfaces、BCI)は、患者の神経経路の回復または電子補綴器との効果的なコミュニケーションを支援する。
さまざまな機械学習技術とアルゴリズムをBCI技術と組み合わせることで、脳卒中治療にBCIを使うことは、有望で急速に拡大する分野であることを示している。
論文 参考訳（メタデータ） (2020-08-06T19:50:29Z)
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。