論文の概要: Interpretable HER2 scoring by evaluating clinical Guidelines through a
weakly supervised, constrained Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2211.09559v1
- Date: Thu, 17 Nov 2022 14:28:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 17:13:31.989326
- Title: Interpretable HER2 scoring by evaluating clinical Guidelines through a
weakly supervised, constrained Deep Learning Approach
- Title（参考訳）: 弱教師付き制約付き深層学習アプローチによる臨床ガイドライン評価による解釈可能なHER2スコア
- Authors: Manh Dan Pham, Cyprien Tilmant, St\'ephanie Petit, Isabelle Salmon,
Saima Ben Hadj, Rutger H.J. Fick
- Abstract要約: 本稿では病理学者によるHER2スコアの解釈可能性に焦点を当てる。
臨床HER2ガイドラインを直接評価する半自動2段階深層学習手法を提案する。
本研究は,F1スコアで0.78の成績を得られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The evaluation of the Human Epidermal growth factor Receptor-2 (HER2)
expression is an important prognostic biomarker for breast cancer treatment
selection. However, HER2 scoring has notoriously high interobserver variability
due to stain variations between centers and the need to estimate visually the
staining intensity in specific percentages of tumor area. In this paper,
focusing on the interpretability of HER2 scoring by a pathologist, we propose a
semi-automatic, two-stage deep learning approach that directly evaluates the
clinical HER2 guidelines defined by the American Society of Clinical Oncology/
College of American Pathologists (ASCO/CAP). In the first stage, we segment the
invasive tumor over the user-indicated Region of Interest (ROI). Then, in the
second stage, we classify the tumor tissue into four HER2 classes. For the
classification stage, we use weakly supervised, constrained optimization to
find a model that classifies cancerous patches such that the tumor surface
percentage meets the guidelines specification of each HER2 class. We end the
second stage by freezing the model and refining its output logits in a
supervised way to all slide labels in the training set. To ensure the quality
of our dataset's labels, we conducted a multi-pathologist HER2 scoring
consensus. For the assessment of doubtful cases where no consensus was found,
our model can help by interpreting its HER2 class percentages output. We
achieve a performance of 0.78 in F1-score on the test set while keeping our
model interpretable for the pathologist, hopefully contributing to
interpretable AI models in digital pathology.
- Abstract（参考訳）: ヒト上皮成長因子受容体2(her2)発現の評価は乳癌治療における重要な予後因子である。
しかしher2スコアは,腫瘍領域の特定の割合の染色強度を視覚的に見積もる必要があるため,中心間の染色変化による異物間変動が高いことで悪名高い。
本稿では,病理学者によるher2得点の解釈可能性に着目し,米国臨床腫瘍学会/アメリカ病理学会(asco/cap)が定義する臨床her2ガイドラインを直接評価する,半自動的な2段階のディープラーニングアプローチを提案する。
第1段階では,ユーザによる関心領域(ROI)に浸潤性腫瘍を区分する。
そして第2段階において腫瘍組織を4つのHER2クラスに分類する。
分類段階では, 腫瘍表面の比率が各HER2クラスのガイドラインに合致するように, 癌パッチを分類するモデルを見つけるために, 弱教師付き制約付き最適化を用いる。
トレーニングセット内のすべてのスライドラベルに対して,モデルを凍結し,その出力ロジットを教師付き方法で精製することで,第2ステージを終了する。
データセットのラベルの品質を保証するため,多病理学者のHER2によるコンセンサス調査を行った。
コンセンサスが見つからない疑わしいケースを評価するため、我々のモデルはHER2クラスパーセンテージの出力を解釈するのに役立つ。
我々は、デジタル病理学におけるAIモデルの解釈に貢献し、病理学者のためにモデルを解釈しながら、テストセットにおけるF1スコアの0.78のパフォーマンスを達成する。
関連論文リスト
- Automated HER2 Scoring in Breast Cancer Images Using Deep Learning and Pyramid Sampling [3.711848341917877]
IHC-stained BC 組織像のHER2状態の自動分類にピラミッドサンプリングを用いた深層学習に基づくアプローチを提案する。
本手法は, 様々な空間スケールで形態的特徴を分析し, 計算負荷を効率的に管理し, 細胞レベルでの組織レベルでの詳細な検討を容易にする。
論文 参考訳（メタデータ） (2024-04-01T00:23:22Z) - Addressing Uncertainty in Imbalanced Histopathology Image Classification
of HER2 Breast Cancer: An interpretable Ensemble Approach with Threshold
Filtered Single Instance Evaluation (SIE) [0.0]
早期診断は、患者が効率的な治療決定を行うのを助けることで死亡率を軽減することができる。
HER2は乳癌の最も致命的な亜型である。
DenseNet201とXceptionは単一の分類器にまとめられた。
論文 参考訳（メタデータ） (2023-08-01T19:44:31Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳（メタデータ） (2022-09-27T14:08:19Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - Automated Scoring System of HER2 in Pathological Images under the
Microscope [3.689994643251581]
本稿では,HER2スコアリングガイドラインに厳格に従うHER2自動スコアリングシステムを提案する。
提案システムは、当社のTorough Eyeプラットフォームに組み込み、病院に配備する。
論文 参考訳（メタデータ） (2021-10-21T01:38:35Z) - SlideGraph+: Whole Slide Image Level Graphs to Predict HER2Status in
Breast Cancer [1.8374319565577157]
本稿では,HER2のステータスをHematoxylinおよびEosinスライドの全スライディング画像から直接予測する新しいグラフニューラルネットワーク(GNN)モデルを提案する。
提案手法は,TCGAでは0.75,独立したテストセットでは0.8,ROC曲線(順序付け)値では0。
論文 参考訳（メタデータ） (2021-10-12T14:40:15Z) - Microscope Based HER2 Scoring System [37.747953235497256]
完全診断のためのHER2スコアリングガイドラインに従うリアルタイムHER2スコアリングシステムを提案する。
従来の全スライディング画像に基づくスコアリングシステムとは異なり、我々のHER2スコアリングシステムは拡張現実顕微鏡に統合されている。
論文 参考訳（メタデータ） (2020-09-15T01:44:39Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。