論文の概要: Deep Learning-Based Prediction of Molecular Tumor Biomarkers from H&E: A
Practical Review
- arxiv url: http://arxiv.org/abs/2211.14847v1
- Date: Sun, 27 Nov 2022 14:57:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 17:08:40.704703
- Title: Deep Learning-Based Prediction of Molecular Tumor Biomarkers from H&E: A
Practical Review
- Title(参考訳): H&Eによる分子腫瘍バイオマーカーの深層学習による予測
- Authors: Heather D. Couture
- Abstract要約: 分子的およびゲノム的性質は、個々の腫瘍を標的とするがん治療の選択に重要である。
H&E画像に機械学習を適用することで、よりコスト効率の良いスクリーニングが可能になる。
本稿では、がんの種類や、これらのモデルを訓練し、検証するための方法論に関する多様な応用についてレビューする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Molecular and genomic properties are critical in selecting cancer treatments
to target individual tumors, particularly for immunotherapy. However, the
methods to assess such properties are expensive, time-consuming, and often not
routinely performed. Applying machine learning to H&E images can provide a more
cost-effective screening method. Dozens of studies over the last few years have
demonstrated that a variety of molecular biomarkers can be predicted from H&E
alone using the advancements of deep learning: molecular alterations, genomic
subtypes, protein biomarkers, and even the presence of viruses. This article
reviews the diverse applications across cancer types and the methodology to
train and validate these models on whole slide images. From bottom-up to
pathologist-driven to hybrid approaches, the leading trends include a variety
of weakly supervised deep learning-based approaches, as well as mechanisms for
training strongly supervised models in select situations. While results of
these algorithms look promising, some challenges still persist, including small
training sets, rigorous validation, and model explainability. Biomarker
prediction models may yield a screening method to determine when to run
molecular tests or an alternative when molecular tests are not possible. They
also create new opportunities in quantifying intratumoral heterogeneity and
predicting patient outcomes.
- Abstract(参考訳): 分子的およびゲノム的性質は、個々の腫瘍、特に免疫療法を標的とする癌治療を選択する上で重要である。
しかし、そのような性質を評価する方法は高価であり、時間を要するため、日常的に行われないことが多い。
H&E画像に機械学習を適用することで、よりコスト効率の良いスクリーニングが可能になる。
過去数年間の研究で、分子改変、ゲノムサブタイプ、タンパク質バイオマーカー、さらにはウイルスの存在など、深層学習の進歩を用いて、H&Eだけで様々な分子バイオマーカーを予測できることが示されている。
本稿では、がんの種類や、これらのモデルをスライド画像全体上でトレーニングし、検証するための方法論について概説する。
ボトムアップから病理学者主導、ハイブリッドアプローチまで、主要なトレンドには、さまざまな弱い教師付きディープラーニングベースのアプローチ、そして特定の状況で教師付きモデルをトレーニングするメカニズムが含まれる。
これらのアルゴリズムの結果は有望に見えるが、小さなトレーニングセット、厳密な検証、モデル説明可能性など、いくつかの課題はまだ続いている。
バイオマーカー予測モデルは、分子テストの実行時期を決定するスクリーニング方法や、分子テストが不可能である場合の代替手段を与えることができる。
また、腫瘍内不均一性を定量化し、患者の結果を予測する新たな機会も生み出す。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Gene-MOE: A sparsely gated prognosis and classification framework
exploiting pan-cancer genomic information [13.57379781623848]
そこで本研究では, RNA-seq解析フレームワークであるGene-MOEについて紹介する。
Gene-MOEは、分析精度を高めるために、MOE層とアテンションエキスパート層の混合物のポテンシャルを利用する。
事前訓練を通じて33種類のがんからパンがん情報を統合することで、過度に適合する課題に対処する。
論文 参考訳(メタデータ) (2023-11-29T07:09:25Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳(メタデータ) (2023-11-01T14:44:01Z) - Regression-based Deep-Learning predicts molecular biomarkers from
pathology slides [40.24757332810004]
我々は,画像から直接バイオマーカーを予測する自己監督型弱教師付き回帰手法を開発し,評価した。
回帰を用いて、バイオマーカー予測の精度を著しく向上させ、また、分類よりも結果の解釈可能性を向上させる。
我々のオープンソースレグレッションアプローチは、計算病理学における連続バイオマーカー解析に有望な代替手段を提供する。
論文 参考訳(メタデータ) (2023-04-11T11:43:51Z) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳(メタデータ) (2023-03-23T18:50:18Z) - 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) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳(メタデータ) (2022-11-18T03:26:31Z) - Mapping the landscape of histomorphological cancer phenotypes using
self-supervised learning on unlabeled, unannotated pathology slides [9.27127895781971]
病理形態学的現象型学習は、小さな画像タイルにおける識別画像の特徴の自動発見を通じて行われる。
タイルは、組織形態学的表現型のライブラリを構成する形態学的に類似したクラスターに分類される。
論文 参考訳(メタデータ) (2022-05-04T08:06:55Z) - Weakly-supervised learning for image-based classification of primary
melanomas into genomic immune subgroups [1.4585861543119112]
我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。
我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
論文 参考訳(メタデータ) (2022-02-23T13:57:35Z) - 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。