論文の概要: Attention-based Interpretable Regression of Gene Expression in Histology
- arxiv url: http://arxiv.org/abs/2208.13776v1
- Date: Mon, 29 Aug 2022 07:30:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 13:32:14.858642
- Title: Attention-based Interpretable Regression of Gene Expression in Histology
- Title(参考訳): 組織学における注意に基づく遺伝子発現の解釈的回帰
- Authors: Mara Graziani and Niccol\`o Marini and Nicolas Deutschmann and Nikita
Janakarajan and Henning M\"uller and Mar\'ia Rodr\'iguez Mart\'inez
- Abstract要約: 深層学習の解釈可能性は、医用画像モデルの信頼性を評価するために広く利用されている。
腫瘍組織の顕微な外観と遺伝子発現のプロファイリングとの関連性を明らかにする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Interpretability of deep learning is widely used to evaluate the reliability
of medical imaging models and reduce the risks of inaccurate patient
recommendations. For models exceeding human performance, e.g. predicting RNA
structure from microscopy images, interpretable modelling can be further used
to uncover highly non-trivial patterns which are otherwise imperceptible to the
human eye. We show that interpretability can reveal connections between the
microscopic appearance of cancer tissue and its gene expression profiling.
While exhaustive profiling of all genes from the histology images is still
challenging, we estimate the expression values of a well-known subset of genes
that is indicative of cancer molecular subtype, survival, and treatment
response in colorectal cancer. Our approach successfully identifies meaningful
information from the image slides, highlighting hotspots of high gene
expression. Our method can help characterise how gene expression shapes tissue
morphology and this may be beneficial for patient stratification in the
pathology unit. The code is available on GitHub.
- Abstract(参考訳): 深層学習の解釈性は、医療画像モデルの信頼性を評価し、不正確な患者の推薦のリスクを減らすために広く使われている。
人間のパフォーマンスを超えるモデル、例えば顕微鏡画像からRNA構造を予測する場合、解釈可能なモデリングは、人間の目には認識できない非常に非自明なパターンを明らかにするためにさらに用いられる。
その結果,癌組織のミクロな出現と遺伝子発現プロファイリングとの関係を明らかにすることができた。
組織像から全遺伝子を網羅的にプロファイリングすることは依然として困難であるが,大腸癌における癌分子サブタイプ,生存率,治療反応を示す既知の遺伝子サブセットの発現値を推定する。
提案手法は画像スライドから有意義な情報を同定し,高遺伝子発現のホットスポットを明らかにする。
本手法は、遺伝子発現が組織形態をどのように形成するかを特徴付けるのに役立ち、病理組織ユニットの患者層形成に有用である。
コードはGitHubで入手できる。
関連論文リスト
- VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。
ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
論文 参考訳(メタデータ) (2024-05-13T20:15:03Z) - Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。
PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。
腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
論文 参考訳(メタデータ) (2024-04-11T09:07:40Z) - 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) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳(メタデータ) (2023-09-26T03:59:21Z) - Machine Learning Methods for Cancer Classification Using Gene Expression
Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。
遺伝子発現は癌の早期発見において基本的な役割を担っている。
本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文 参考訳(メタデータ) (2023-01-28T15:03:03Z) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳(メタデータ) (2023-01-07T18:36:44Z) - 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) - Contrastive learning-based computational histopathology predict
differential expression of cancer driver genes [13.167222116204226]
HistCodeは、スライド画像全体から差分遺伝子発現を推論する、自己教師付きコントラスト学習フレームワークである。
以上の結果から,本手法は腫瘍診断タスクにおける他の最先端モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-04-25T23:21:33Z) - All You Need is Color: Image based Spatial Gene Expression Prediction
using Neural Stain Learning [11.9045433112067]
本研究では,空間的転写学的遺伝子発現プロファイルの予測のための機械学習手法を提案する。
提案手法から得られた遺伝子発現予測は,シークエンシングにより得られた真の表現値と高い相関関係を示した。
論文 参考訳(メタデータ) (2021-08-23T23:43:38Z) - Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable
Multimodal Deep Learning [4.764927152701701]
14種類のがん患者5,720人のスライド画像,RNA配列,コピー数の変化,および突然変異データを統合する。
我々の解釈可能な、弱教師付き、マルチモーダルなディープラーニングアルゴリズムは、これらの不均一なモダリティを融合して結果を予測することができる。
本研究は,全ての癌型にまたがる予後予測に寄与する形態学的および分子マーカーを解析する。
論文 参考訳(メタデータ) (2021-08-04T20:40:05Z) - 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。