論文の概要: Using Whole Slide Image Representations from Self-Supervised Contrastive
Learning for Melanoma Concordance Regression
- arxiv url: http://arxiv.org/abs/2210.04803v1
- Date: Mon, 10 Oct 2022 16:07:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 15:52:57.268600
- Title: Using Whole Slide Image Representations from Self-Supervised Contrastive
Learning for Melanoma Concordance Regression
- Title（参考訳）: メラノーマ適応に対する自己監督型コントラスト学習からの全スライド画像表現
- Authors: Sean Grullon, Vaughn Spurrier, Jiayi Zhao, Corey Chivers, Yang Jiang,
Kiran Motaparthi, Michael Bonham, and Julianna Ianni
- Abstract要約: 悪性黒色腫と良性黒色腫病変を鑑別する際,病理医の間では高い一致率で診断が複雑になる。
デジタル化された全スライド画像(WSIs)から侵入性メラノーマまたはメラノーマの一致率を予測するメラノーマ一致回帰深層学習モデルを提案する。
我々は,4つの病理検査室から得られた10,895検体からランダムに採取した83,356個のWSIタイルを用いたSimCLR特徴抽出器を訓練した。
テストセットで0.28 +/-0.01のルート平均正方形誤差(RMSE)と0.85 +/-0.05と0.61 +/-0.06の精度とリコールを実現した。
- 参考スコア（独自算出の注目度）: 2.21878843241715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although melanoma occurs more rarely than several other skin cancers,
patients' long term survival rate is extremely low if the diagnosis is missed.
Diagnosis is complicated by a high discordance rate among pathologists when
distinguishing between melanoma and benign melanocytic lesions. A tool that
provides potential concordance information to healthcare providers could help
inform diagnostic, prognostic, and therapeutic decision-making for challenging
melanoma cases. We present a melanoma concordance regression deep learning
model capable of predicting the concordance rate of invasive melanoma or
melanoma in-situ from digitized Whole Slide Images (WSIs). The salient features
corresponding to melanoma concordance were learned in a self-supervised manner
with the contrastive learning method, SimCLR. We trained a SimCLR feature
extractor with 83,356 WSI tiles randomly sampled from 10,895 specimens
originating from four distinct pathology labs. We trained a separate melanoma
concordance regression model on 990 specimens with available concordance ground
truth annotations from three pathology labs and tested the model on 211
specimens. We achieved a Root Mean Squared Error (RMSE) of 0.28 +/- 0.01 on the
test set. We also investigated the performance of using the predicted
concordance rate as a malignancy classifier, and achieved a precision and
recall of 0.85 +/- 0.05 and 0.61 +/- 0.06, respectively, on the test set. These
results are an important first step for building an artificial intelligence
(AI) system capable of predicting the results of consulting a panel of experts
and delivering a score based on the degree to which the experts would agree on
a particular diagnosis. Such a system could be used to suggest additional
testing or other action such as ordering additional stains or genetic tests.
- Abstract（参考訳）: 悪性黒色腫は他のいくつかの皮膚癌よりも稀に発症するが,診断に至らなかった場合,長期生存率は極めて低い。
悪性黒色腫と良性メラノサイトーシス病変の鑑別は,病理組織学的に高い不一致率で診断が困難である。
医療提供者に潜在的な一致情報を提供するツールは、メラノーマに挑戦するための診断、予後、治療上の意思決定を知らせるのに役立つだろう。
本稿では,デジタル化された全スライド画像(WSIs)から,侵入性メラノーマやメラノーマの出現率を予測できるメラノーマ一致回帰深層学習モデルを提案する。
メラノーマの一致に対応する有意な特徴を,対比学習法SimCLRを用いて自己指導的に学習した。
4つの病理学研究室から採取した10,895標本からランダムに採取した83,356個のwsiタイルを用いたsimclr特徴抽出器を訓練した。
990例の検体に対して,3つの病理検査室から得られた基準的真実アノテーションを用いてメラノーマ一致回帰モデルを訓練し,211例の検体で検討した。
テストセット上で根平均二乗誤差 (rmse) を 0.28 +/- 0.01 で達成した。
また, 予測された一致率を悪性度分類器として用いた結果, 0.85 +/- 0.05 と 0.61 +/- 0.06 の精度とリコールを達成した。
これらの結果は、専門家のパネルに相談し、専門家が特定の診断に同意する度合いに基づいてスコアを提供する結果を予測できる人工知能(AI)システムを構築するための重要な第一歩である。
このようなシステムは、追加の染色や遺伝子検査を注文するなどの追加のテストや他のアクションを提案するために使用できる。
関連論文リスト
- Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques [39.97900702763419]
本研究は,メラノーマの深さを測定するために皮膚内視鏡像の解析に焦点をあてる。
顆粒層の上部から腫瘍浸潤の最も深い地点まで測定されたブレスロー深さは、黒色腫のステージングと治療決定の指針となる重要なパラメータである。
ISICやプライベートコレクションを含むさまざまなデータセットが使用され、合計で1162枚の画像が含まれている。
その結果, 従来の手法に比べて, モデルが大幅に改善された。
論文 参考訳（メタデータ） (2024-06-19T11:07:55Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Clinical Melanoma Diagnosis with Artificial Intelligence: Insights from
a Prospective Multicenter Study [1.2397589403129072]
AIはメラノーマの検出を強化するのに役立つことが証明されている。
現存する研究は、サンプルサイズが低いこと、同質なデータセットが多すぎること、希少なメラノーマ亜型の欠如によって制限されている。
メラノーマの診断精度と皮膚科医の診断精度を比較検討し, 確立されたメラノーマ検出用オープンソースアルゴリズムである「All Data is Ext」(ADAE)を評価した。
論文 参考訳（メタデータ） (2024-01-25T14:03:54Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳（メタデータ） (2023-02-02T08:45:17Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Early Melanoma Diagnosis with Sequential Dermoscopic Images [10.487636624052564]
悪性黒色腫早期診断のための既存のアルゴリズムは、病変の単一のタイムポイント画像を用いて開発されている。
そこで本研究では,皮膚内視鏡画像を用いた早期メラノーマ診断のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-12T13:05:41Z) - A Pathology Deep Learning System Capable of Triage of Melanoma Specimens
Utilizing Dermatopathologist Consensus as Ground Truth [5.46895714413677]
本稿では,デジタル化された全スライド画像(WSI)の階層的な分類を行う病理深層学習システム(PDLS)を提案する。
これまでに収集されたメラノサイト標本のうち,最大規模の3つを含む7,685枚の画像を用いて,本システムを訓練した。
以上の結果から, PDLSは皮膚検体の自動分類・トリアージが可能であり, メラノサイト性虫垂症に対する感受性が高いことが示唆された。
論文 参考訳（メタデータ） (2021-09-15T19:48:51Z) - Melanoma Diagnosis with Spatio-Temporal Feature Learning on Sequential
Dermoscopic Images [40.743870665742975]
悪性黒色腫自動診断のための既存の皮膚科医は、病変の単一点像に基づいている。
そこで本研究では,連続した皮膚内視鏡像を用いたメラノーマ診断のための自動フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-19T04:08:22Z) - AI outperformed every dermatologist: Improved dermoscopic melanoma
diagnosis through customizing batch logic and loss function in an optimized
Deep CNN architecture [2.572959153453185]
本研究では,メラノーマを二項分類問題として検出することを目的としたディープ畳み込みニューラルネットワークを用いた手法を提案する。
これには3つの重要な機能、すなわち、カスタマイズされたバッチロジック、カスタマイズされた損失関数、完全に接続されたレイヤが含まれる。
このモデルは157人の皮膚科医に優れ、AUCでは94.4%、感度は85.0%、特異度は95.0%であった。
論文 参考訳（メタデータ） (2020-03-05T13:19:13Z)
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。