論文の概要: EGFR Mutation Prediction of Lung Biopsy Images using Deep Learning
- arxiv url: http://arxiv.org/abs/2208.12506v1
- Date: Fri, 26 Aug 2022 08:56:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 12:26:06.154440
- Title: EGFR Mutation Prediction of Lung Biopsy Images using Deep Learning
- Title（参考訳）: 深層学習を用いた肺生検画像のEGFR変異予測
- Authors: Ravi Kant Gupta, Shivani Nandgaonkar, Nikhil Cherian Kurian, Swapnil
Rane, Amit Sethi
- Abstract要約: 本研究では,EGFR変異の形態的相関を識別するために,教師の弱いカスタマイズ深層学習パイプラインを用いた。
病理組織学的に腺癌と扁平上皮癌との鑑別は0.942であった。
EGFR検出では,TGAデータセットでは平均0.864AUC,インドからのデータセットでは0.783AUCを達成した。
- 参考スコア（独自算出の注目度）: 1.793983482813105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The standard diagnostic procedures for targeted therapies in lung cancer
treatment involve histological subtyping and subsequent detection of key driver
mutations, such as EGFR. Even though molecular profiling can uncover the driver
mutation, the process is often expensive and time-consuming. Deep
learning-oriented image analysis offers a more economical alternative for
discovering driver mutations directly from whole slide images (WSIs). In this
work, we used customized deep learning pipelines with weak supervision to
identify the morphological correlates of EGFR mutation from hematoxylin and
eosin-stained WSIs, in addition to detecting tumor and histologically subtyping
it. We demonstrate the effectiveness of our pipeline by conducting rigorous
experiments and ablation studies on two lung cancer datasets - TCGA and a
private dataset from India. With our pipeline, we achieved an average area
under the curve (AUC) of 0.964 for tumor detection, and 0.942 for histological
subtyping between adenocarcinoma and squamous cell carcinoma on the TCGA
dataset. For EGFR detection, we achieved an average AUC of 0.864 on the TCGA
dataset and 0.783 on the dataset from India. Our key learning points include
the following. Firstly, there is no particular advantage of using a feature
extractor layers trained on histology, if one is going to fine-tune the feature
extractor on the target dataset. Secondly, selecting patches with high
cellularity, presumably capturing tumor regions, is not always helpful, as the
sign of a disease class may be present in the tumor-adjacent stroma.
- Abstract（参考訳）: 肺がん治療における標的治療の標準的な診断手順は、組織学的サブタイプとEGFRなどの主要なドライバ変異の検出を含む。
分子プロファイリングはドライバーの突然変異を解明するが、プロセスはしばしば高価で時間がかかる。
ディープラーニングに基づく画像解析は、全スライド画像(wsis)から直接ドライバ変異を検出するための、より経済的な代替手段を提供する。
本研究では,ヘマトキシリンおよびエオシンステインwsisのegfr変異の形態的相関を,腫瘍の検出と組織学的にサブタイプすることに加えて,微調整された深層学習パイプラインを用いて同定した。
本研究は,2つの肺癌データセット(tcgaとインドからのプライベートデータセット)について厳密な実験とアブレーションを行い,本パイプラインの有効性を実証する。
TCGAデータセットの腺癌と扁平上皮癌との組織型別では平均 0.964 の腫瘍検出率,0.942 の値を得た。
EGFR検出では,TGAデータセットでは平均0.864AUC,インドからのデータセットでは0.783AUCを達成した。
私たちの学習ポイントは以下のとおりです。
第一に、対象データセット上の特徴抽出器を微調整しようとする場合、ヒストロジーに基づいて訓練された特徴抽出層を使用するという特別な利点はない。
第2に、腫瘍領域を捕捉する可能性のある高い細胞性を有するパッチを選択することは必ずしも有用ではない。
関連論文リスト
- Efficient Quality Control of Whole Slide Pathology Images with Human-in-the-loop Training [3.2646075700744928]
Histo whole slide image (WSI) は、特に精度オンコロジーにおいて、ディープラーニングに基づく診断ソリューションの開発に広く利用されている。
これらの診断ソフトウェアのほとんどは、トレーニングやテストデータにおけるバイアスや不純物に弱いため、不正確な診断につながる可能性がある。
我々は、WSIを6つの組織領域に分離する、頑健だが軽量なディープラーニングベースの分類器であるHistoROIを紹介した。
論文 参考訳（メタデータ） (2024-09-29T07:08:45Z) - Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - MM-SurvNet: Deep Learning-Based Survival Risk Stratification in Breast
Cancer Through Multimodal Data Fusion [18.395418853966266]
乳がん生存リスク階層化のための新しい深層学習手法を提案する。
画像特徴抽出には視覚変換器、特にMaxViTモデルを使用し、患者レベルでの複雑な画像関係のキャプチャには自己注意を用いる。
二重クロスアテンション機構はこれらの特徴を遺伝データと融合させ、臨床データを最終層に組み込んで予測精度を高める。
論文 参考訳（メタデータ） (2024-02-19T02:31:36Z) - Exploiting Liver CT scans in Colorectal Carcinoma genomics mutation
classification [0.0]
本稿では,患者医用画像からの分類手法として,DeepLearningを用いた最初の探索法を提案する。
本手法はCT画像からCRC RAS変異ファミリーを0.73F1スコアで同定できる。
論文 参考訳（メタデータ） (2024-01-25T14:40:58Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳（メタデータ） (2021-11-16T15:03:42Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。
この影響は、肺葉を分節する機械学習手法の改善を動機づけた。
このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文 参考訳（メタデータ） (2021-05-11T17:10:25Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。
本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
論文 参考訳（メタデータ） (2020-06-28T19:55:34Z) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z) - Segmentation for Classification of Screening Pancreatic Neuroendocrine
Tumors [72.65802386845002]
本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。
我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。
我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
論文 参考訳（メタデータ） (2020-04-04T21:21:44Z)
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。