論文の概要: Predicting microsatellite instability and key biomarkers in colorectal
cancer from H&E-stained images: Achieving SOTA with Less Data using Swin
Transformer
- arxiv url: http://arxiv.org/abs/2208.10495v1
- Date: Mon, 22 Aug 2022 02:32:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 14:07:07.661073
- Title: Predicting microsatellite instability and key biomarkers in colorectal
cancer from H&E-stained images: Achieving SOTA with Less Data using Swin
Transformer
- Title（参考訳）: H&E画像による大腸癌のマイクロサテライト不安定性とキーバイオマーカーの予測:Swin Transformerを用いたSOTAの低値化
- Authors: Bangwei Guo, Jitendra Jonnagaddala, Hong Zhang, Xu Steven Xu
- Abstract要約: シフトウインドウ(Swin-T)を用いた大腸癌バイオマーカーの効率的なワークフローを開発した。
Swin-Tは小さなトレーニングデータセットを使用して極めて効率的で、200-500のトレーニングサンプルだけで堅牢な予測性能を示す。
これらのデータは、Swin-Tが現在のMSIの最先端アルゴリズムよりも5～10倍効率が高いことを示している。
- 参考スコア（独自算出の注目度）: 3.6695403836792493
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) models have been developed for predicting
clinically relevant biomarkers, including microsatellite instability (MSI), for
colorectal cancers (CRC). However, the current deep-learning networks are
data-hungry and require large training datasets, which are often lacking in the
medical domain. In this study, based on the latest Hierarchical Vision
Transformer using Shifted Windows (Swin-T), we developed an efficient workflow
for biomarkers in CRC (MSI, hypermutation, chromosomal instability, CpG island
methylator phenotype, BRAF, and TP53 mutation) that only required relatively
small datasets, but achieved the state-of-the-art (SOTA) predictive
performance. Our Swin-T workflow not only substantially outperformed published
models in an intra-study cross-validation experiment using TCGA-CRC-DX dataset
(N = 462), but also showed excellent generalizability in cross-study external
validation and delivered a SOTA AUROC of 0.90 for MSI using the MCO dataset for
training (N = 1065) and the same TCGA-CRC-DX for testing. Similar performance
(AUROC=0.91) was achieved by Echle and colleagues using 8000 training samples
(ResNet18) on the same testing dataset. Swin-T was extremely efficient using
small training datasets and exhibits robust predictive performance with only
200-500 training samples. These data indicate that Swin-T may be 5-10 times
more efficient than the current state-of-the-art algorithms for MSI based on
ResNet18 and ShuffleNet. Furthermore, the Swin-T models showed promise as
pre-screening tests for MSI status and BRAF mutation status, which could
exclude and reduce the samples before the subsequent standard testing in a
cascading diagnostic workflow to allow turnaround time reduction and cost
saving.
- Abstract（参考訳）: 人工知能(AI)モデルは、大腸癌(CRC)のマイクロサテライト不安定性(MSI)を含む臨床関連バイオマーカーを予測するために開発された。
しかし、現在のディープラーニングネットワークはデータ不足であり、医療領域に欠けている大規模なトレーニングデータセットを必要とする。
本研究では,シフトウィンドウを用いた最新の階層的視覚変換(swin-t)に基づいて,比較的小さなデータセットしか必要とせず,最先端の予測性能を達成したcrc(msi,hypermutation,chromosomal instability,cpg island methylator phenotype,braf,tp53 mutation)におけるバイオマーカーの効率的なワークフローを開発した。
tcga-crc-dxデータセット(n = 462)を用いたswain-tワークフローは,swain-tの公開モデルを大幅に上回るだけでなく,swatの外部検証において優れた汎用性を示し,mcoデータセット(n = 1065)とテスト用tcga-crc-dxを使用したmsiのsoma aurocを0.90で提供した。
同様の性能(AUROC=0.91)は、Echleらによって同じテストデータセット上で8000のトレーニングサンプル(ResNet18)を使用して達成された。
Swin-Tは小さなトレーニングデータセットを使用して極めて効率的で、200-500のトレーニングサンプルだけで堅牢な予測性能を示す。
これらのデータによると、Swin-TはResNet18とShuffleNetに基づくMSIの最先端アルゴリズムよりも5～10倍効率が高い。
さらに、Swin-Tモデルは、MSIステータスとBRAF変異ステータスの事前スクリーニングテストとして、カスケード診断ワークフローにおけるその後の標準テストの前にサンプルを除外し、削減することで、ターンアラウンドタイムの削減とコスト削減を可能にした。
関連論文リスト
- STAL: Spike Threshold Adaptive Learning Encoder for Classification of Pain-Related Biosignal Data [2.0738462952016232]
本稿では,EmoPainデータセットを用いた慢性腰痛 (CLBP) 分類のためのスパイキングニューラルネットワーク (SNN) の最初の応用について述べる。
本稿では,連続生体信号をスパイク列車に変換する訓練可能なエンコーダであるSpike Threshold Adaptive Learning (STAL)を紹介する。
また,SEMG と IMU データのマルチストリーム処理のためのスパイキングリカレントニューラルネットワーク (SRNN) 分類器のアンサンブルを提案する。
論文 参考訳（メタデータ） (2024-07-11T10:15:52Z) - MCDFN: Supply Chain Demand Forecasting via an Explainable Multi-Channel Data Fusion Network Model [0.0]
CNN,Long Short-Term Memory Network (LSTM), Gated Recurrent Units (GRU)を統合したハイブリッドアーキテクチャであるMulti-Channel Data Fusion Network (MCDFN)を紹介する。
我々の比較ベンチマークは、MCDFNが他の7つのディープラーニングモデルより優れていることを示している。
本研究は,需要予測手法を進歩させ,MCDFNをサプライチェーンシステムに統合するための実践的ガイドラインを提供する。
論文 参考訳（メタデータ） (2024-05-24T14:30:00Z) - Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である
CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。
CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文 参考訳（メタデータ） (2023-10-01T05:07:17Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - DPSeq: A Novel and Efficient Digital Pathology Classifier for Predicting
Cancer Biomarkers using Sequencer Architecture [4.876281217951695]
デジタル病理学の課題では、トランスフォーマーは畳み込みニューラルネットワーク(CNN)を超越して最先端の結果を得た。
我々はDPSeqと呼ばれる新規かつ効率的なデジタル病理分類器を開発し,癌バイオマーカーの予測を行った。
論文 参考訳（メタデータ） (2023-05-03T08:31:44Z) - Cross-Shaped Windows Transformer with Self-supervised Pretraining for Clinically Significant Prostate Cancer Detection in Bi-parametric MRI [6.930082824262643]
前立腺癌 (bpMRI) における臨床的に重要な前立腺癌 (csPCa) を検出するために, CSwin 変圧器 UNet モデル (CSwin 変圧器 UNet モデル) を導入した。
1500人の患者を対象とした大規模前立腺bpMRIデータセットを用いて、まずマルチタスク自己教師型学習を用いてCSwin変換器を事前訓練し、データ効率とネットワークの一般化性を向上させる。
5倍のクロスバリデーションは、自己教師型CSwin UNetが0.888 AUCと0.545 Average Precision(AP)を達成し、4つの同等モデル(Swin U)を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2023-04-30T04:40:32Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳（メタデータ） (2022-12-17T23:29:14Z) - Learning brain MRI quality control: a multi-factorial generalization
problem [0.0]
本研究の目的は,MRIQCパイプラインの性能評価である。
分析はMRIQCの前処理ステップに焦点を合わせ、パイプラインをそれなしでテストした。
我々は、CATIデータセットのような異種集団のデータで訓練されたモデルが、目に見えないデータの最良のスコアを提供すると結論付けた。
論文 参考訳（メタデータ） (2022-05-31T15:46:44Z) - 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) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z)
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。