論文の概要: Deep Learning Generates Synthetic Cancer Histology for Explainability and Education

• arxiv url: http://arxiv.org/abs/2211.06522v1
• Date: Sat, 12 Nov 2022 00:14:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-15 20:20:59.321356
• Title: Deep Learning Generates Synthetic Cancer Histology for Explainability and Education
• Title（参考訳）: 深層学習による説明可能性と教育のための合成癌組織学
• Authors: James M. Dolezal, Rachelle Wolk, Hanna M. Hieromnimon, Frederick M. Howard, Andrew Srisuwananukorn, Dmitry Karpeyev, Siddhi Ramesh, Sara Kochanny, Jung Woo Kwon, Meghana Agni, Richard C. Simon, Chandni Desai, Raghad Kherallah, Tung D. Nguyen, Jefree J. Schulte, Kimberly Cole, Galina Khramtsova, Marina Chiara Garassino, Aliya N. Husain, Huihua Li, Robert Grossman, Nicole A. Cipriani, Alexander T. Pearson
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 37.13457398561086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence (AI) methods including deep neural networks can provide rapid molecular classification of tumors from routine histology with accuracy that can match or exceed human pathologists. Discerning how neural networks make their predictions remains a significant challenge, but explainability tools can help provide insights into what models have learned when corresponding histologic features are poorly understood. Conditional generative adversarial networks (cGANs) are AI models that generate synthetic images and illustrate subtle differences between image classes. Here, we describe the use of a cGAN for explaining models trained to classify molecularly-subtyped tumors, exposing associated histologic features. We leverage cGANs to create class- and layer-blending visualizations to improve understanding of subtype morphology. Finally, we demonstrate the potential use of synthetic histology for augmenting pathology trainee education and show that clear, intuitive cGAN visualizations can reinforce and improve human understanding of histologic manifestations of tumor biology
• Abstract（参考訳）: ディープニューラルネットワークを含む人工知能(AI)の手法は、人間の病理学者と一致したり、超えたりできる精度で、定期的な組織学から腫瘍の迅速な分子分類を提供することができる。 ニューラルネットワークがどのように予測を下すかは依然として大きな課題だが、説明可能性ツールは、対応する組織学的特徴が十分に理解されていないときにモデルが何を学んだかを理解するのに役立つ。 conditional generative adversarial networks (cgans)は、合成画像を生成し、画像クラス間の微妙な違いを示すaiモデルである。 ここでは,cGANを用いて分子サブタイプの腫瘍を分類し,関連する組織学的特徴を呈するモデルを記述する。 我々は cGAN を活用して, サブタイプ形態の理解を改善するために, クラスおよびレイヤブレンディングの可視化を作成する。 最後に, 病理研修生の教育に人工組織学を応用し, 明快で直感的なcGAN視覚化が腫瘍生物学の組織学的発現の人間的理解を補強し, 改善することを示す。

関連論文リスト

• 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)
• Language Knowledge-Assisted Representation Learning for Skeleton-Based Action Recognition [71.35205097460124]
  人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。 LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-21T08:29:16Z)
• Attention-based Interpretable Regression of Gene Expression in Histology [0.0]
  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。
  論文  参考訳（メタデータ） (2022-08-29T07:30:33Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Towards Highly Expressive Machine Learning Models of Non-Melanoma Skin Cancer [0.0]
  非メラノーマ皮膚癌の問題領域に離散的モデリング技術を適用する実験を行った。 我々は、病理学用語を用いて自然言語記述を生成するシーケンス・ツー・シーケンス・トランスフォーマーを訓練した。 その結果は、高度に表現力のある機械学習システムに向けた、有望な手段となる。
  論文  参考訳（メタデータ） (2022-07-09T04:53:25Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Interpretability of Neural Network With Physiological Mechanisms [5.1971653175509145]
  ディープラーニングは、レグレッションと分類タスクの様々な領域で異常な精度を達成した強力な最先端技術として、引き続き機能している。 ニューラルネットワークモデルを最初に提案する目的は、数学的表現アプローチを使用して複雑な人間の脳を理解することを改善することである。 近年のディープラーニング技術は、ブラックボックス近似器として扱われることによって、機能的プロセスの解釈を失う傾向にある。
  論文  参考訳（メタデータ） (2022-03-24T21:40:04Z)
• Adversarial learning of cancer tissue representations [6.395981404833557]
  手動のアノテーションを必要とせずに,癌組織の特徴表現を抽出する逆学習モデルを提案する。 これらの表現は乳癌,大腸癌,肺がんの3種類の形態学的特徴を同定することができる。 以上の結果から,本モデルが実際の組織試料の特異な表現特性を捉え,腫瘍進展と腫瘍微小環境のさらなる理解の道を開くことが示唆された。
  論文  参考訳（メタデータ） (2021-08-04T18:00:47Z)
• Neural Cellular Automata Manifold [84.08170531451006]
  ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。 これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。 生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
  論文  参考訳（メタデータ） (2020-06-22T11:41:57Z)
• Visualization for Histopathology Images using Graph Convolutional Neural Networks [1.8939984161954087]
  我々は、組織組織を核のグラフとしてモデル化するアプローチを採用し、疾患診断のためのグラフ畳み込みネットワークフレームワークを開発した。 我々は,浸潤性乳癌とin-situ性乳癌の鑑別を訓練し,Gleason 3, 4前立腺癌は解釈可能なビジュアルマップを生成する。
  論文  参考訳（メタデータ） (2020-06-16T19:14:19Z)

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。