論文の概要: Karyotype AI for Precision Oncology
- arxiv url: http://arxiv.org/abs/2211.14312v3
- Date: Thu, 19 Oct 2023 20:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 14:07:55.583838
- Title: Karyotype AI for Precision Oncology
- Title（参考訳）: 精密腫瘍学のための核型AI
- Authors: Zahra Shamsi, Drew Bryant, Jacob Wilson, Xiaoyu Qu, Avinava Dubey,
Konik Kothari, Mostafa Dehghani, Mariya Chavarha, Valerii Likhosherstov,
Brian Williams, Michael Frumkin, Fred Appelbaum, Krzysztof Choromanski, Ali
Bashir, Min Fang
- Abstract要約: 従来の核型解析を自動化しようとする試みは収差検出では不十分であった。
TopViTはCNN(インセプション)モデルで99.3%の精度で染色体を同定した。
- 参考スコア（独自算出の注目度）: 24.283441582734255
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chromosome analysis is essential for diagnosing genetic disorders. For
hematologic malignancies, identification of somatic clonal aberrations by
karyotype analysis remains the standard of care. However, karyotyping is costly
and time-consuming because of the largely manual process and the expertise
required in identifying and annotating aberrations. Efforts to automate
karyotype analysis to date fell short in aberration detection. Using a training
set of ~10k patient specimens and ~50k karyograms from over 5 years from the
Fred Hutchinson Cancer Center, we created a labeled set of images representing
individual chromosomes. These individual chromosomes were used to train and
assess deep learning models for classifying the 24 human chromosomes and
identifying chromosomal aberrations. The top-accuracy models utilized the
recently introduced Topological Vision Transformers (TopViTs) with
2-level-block-Toeplitz masking, to incorporate structural inductive bias.
TopViT outperformed CNN (Inception) models with >99.3% accuracy for chromosome
identification, and exhibited accuracies >99% for aberration detection in most
aberrations. Notably, we were able to show high-quality performance even in
"few shot" learning scenarios. Incorporating the definition of clonality
substantially improved both precision and recall (sensitivity). When applied to
"zero shot" scenarios, the model captured aberrations without training, with
perfect precision at >50% recall. Together these results show that modern deep
learning models can approach expert-level performance for chromosome aberration
detection. To our knowledge, this is the first study demonstrating the
downstream effectiveness of TopViTs. These results open up exciting
opportunities for not only expediting patient results but providing a scalable
technology for early screening of low-abundance chromosomal lesions.
- Abstract（参考訳）: 染色体解析は遺伝疾患の診断に不可欠である。
造血器腫瘍については, 核型分析による体性クローン異常の同定が基本である。
しかし、大半が手作業であり、収差の特定や注釈に要する専門知識のため、加量タイピングは高価で時間を要する。
核型分析を今日まで自動化する試みは、収差検出に不足していた。
フレッド・ハッチンソン癌センターから5年以上経過した約10k検体と約50k検体を用いて,各染色体のラベル付き画像群を作成した。
これらの染色体は、24個のヒト染色体の分類と染色体異常の同定のための深層学習モデルの訓練と評価に使用された。
最近導入されたトポロジカルビジョントランスフォーマ(topvits)と2レベルブロックトエプリッツマスキング(toeplitz masking)を用いたtop-accuracyモデルは、構造的インダクティブバイアスを取り入れている。
TopViTはCNN(インセプション)モデルで99.3%の精度で染色体同定を行い、ほとんどの収差における収差検出の精度は99%であった。
特に、"ファウショット"学習シナリオでも、高品質のパフォーマンスを示すことができました。
クローン性の定義を取り入れることで、精度とリコール(感度)を大きく改善した。
ゼロショット」のシナリオに適用すると、モデルはトレーニングなしで、50%以上のリコールで完全な精度で収差を捉えた。
これらの結果から,最新の深層学習モデルが染色体収差検出のエキスパートレベルの性能にアプローチできることが示唆された。
われわれの知る限り、TopViTの下流効果を示す最初の研究である。
これらの結果は、患者結果の迅速化だけでなく、低吸収染色体病変の早期スクリーニングのためのスケーラブルな技術を提供するエキサイティングな機会を開く。
関連論文リスト
- Supervised Contrastive Learning for Fine-grained Chromosome Recognition [7.427070103487921]
染色体認識は核タイピングにおいて必須の課題であり、出生時欠陥診断や生医学研究において重要な役割を担っている。
既存の分類法は、染色体のクラス間類似性とクラス内変異のために重大な課題に直面している。
そこで本研究では,信頼性染色体分類のためのモデルに依存しない深層ネットワークを訓練するための教師付きコントラスト学習戦略を提案する。
論文 参考訳（メタデータ） (2023-12-12T06:12:21Z) - Masked conditional variational autoencoders for chromosome straightening [14.665481276886194]
核タイピングはヒト疾患における染色体異常の検出に重要である。
染色体は顕微鏡画像に容易に湾曲し、細胞遺伝学者が染色体の型を分析するのを防ぐ。
本稿では,前処理アルゴリズムと生成モデルを組み合わせた染色体ストレート化の枠組みを提案する。
論文 参考訳（メタデータ） (2023-06-25T05:11:41Z) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳（メタデータ） (2022-11-12T23:28:54Z) - Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic
Disorders [55.41644538483948]
分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。
従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。
本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
論文 参考訳（メタデータ） (2022-10-23T11:52:57Z) - Chromosome Segmentation Analysis Using Image Processing Techniques and
Autoencoders [0.0]
細胞遺伝学に基づく診断において, 染色体解析とメタフェーズ画像からの同定が重要な部分である。
染色体をメタフェーズから同定するプロセスは退屈なもので、訓練された人員と実行に数時間を要する。
そこで本研究では,染色体検出と染色体分割のプロセスを自動化する手法を提案する。
論文 参考訳（メタデータ） (2022-09-12T17:06:42Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳（メタデータ） (2022-08-05T18:52:20Z) - Deep Learning based Automatic Detection of Dicentric Chromosome [0.0]
本稿では,フィールドエキスパートの最小限の介入を必要とする,完全にデータ駆動型フレームワークを提案する。
画像はWHO-BIODOSNETが記述したプロトコルに基づいてYOLOv4から抽出される。
中心性染色体と単中心性染色体の1:1分割で94.33%の精度を報告した。
論文 参考訳（メタデータ） (2022-04-17T15:11:13Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Adversarial Multiscale Feature Learning for Overlapping Chromosome
Segmentation [6.180155406275231]
染色体核型解析は疾患の診断と治療において非常に臨床的に重要である。
染色体のストリップ形状のため、画像化すると簡単に互いに重複します。
重なり合う染色体セグメンテーションの精度と適応性を向上させるために, 対角的マルチスケール特徴学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-22T06:04:22Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳（メタデータ） (2020-02-06T17:25:37Z)
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。