論文の概要: Attention-based Multiple Instance Learning for Survival Prediction on
Lung Cancer Tissue Microarrays
- arxiv url: http://arxiv.org/abs/2212.07724v1
- Date: Thu, 15 Dec 2022 11:07:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 16:59:17.671918
- Title: Attention-based Multiple Instance Learning for Survival Prediction on
Lung Cancer Tissue Microarrays
- Title(参考訳): 肺癌組織マイクロアレイの生存予測のための注意に基づくマルチインスタンス学習
- Authors: Jonas Ammeling, Lars-Henning Schmidt, Jonathan Ganz, Tanja Niedermair,
Christoph Brochhausen-Delius, Christian Schulz, Katharina Breininger, Marc
Aubreville
- Abstract要約: 損失関数として古典的 Cox の部分的可能性を利用して、AMIL アプローチを生存予測タスクに拡張する。
330人の肺癌患者の組織マイクロアレイ(TMA)スライスにモデルを適用した。
その結果、AMIL法はTMAから非常に少量の組織を処理でき、既存の生存予測法と比較してC-インデックス性能に類似していることが判明した。
- 参考スコア(独自算出の注目度): 1.7753417633326865
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Attention-based multiple instance learning (AMIL) algorithms have proven to
be successful in utilizing gigapixel whole-slide images (WSIs) for a variety of
different computational pathology tasks such as outcome prediction and cancer
subtyping problems. We extended an AMIL approach to the task of survival
prediction by utilizing the classical Cox partial likelihood as a loss
function, converting the AMIL model into a nonlinear proportional hazards
model. We applied the model to tissue microarray (TMA) slides of 330 lung
cancer patients. The results show that AMIL approaches can handle very small
amounts of tissue from a TMA and reach similar C-index performance compared to
established survival prediction methods trained with highly discriminative
clinical factors such as age, cancer grade, and cancer stage
- Abstract(参考訳): Attention-based multiple instance learning (AMIL)アルゴリズムは、結果予測や癌置換問題などの様々な計算病理学的タスクに対して、ギガピクセル全体スライディング画像(WSI)を利用することに成功した。
我々は、古典的コックス部分確率を損失関数として利用し、AMILモデルを非線形比例ハザードモデルに変換することにより、生存予測タスクへのAMILアプローチを拡張した。
330人の肺癌患者の組織マイクロアレイ(TMA)スライドにモデルを適用した。
その結果、AMILアプローチはTMAから非常に少量の組織を処理でき、年齢、がんグレード、がんステージなどの高度に差別化された臨床因子で訓練された生存予測法と比較して、C-indexのパフォーマンスは類似していることがわかった。
関連論文リスト
- CAMIL: Context-Aware Multiple Instance Learning for Cancer Detection and
Subtyping in Whole Slide Images [0.0]
がん診断のためのコンテキスト認識型マルチインスタンス学習(CAMIL)アーキテクチャを提案する。
CAMILは、隣接する制約のある注意を取り入れ、WSI(Whole Slide Images)内のタイル間の依存関係を考慮し、MILモデルに事前知識としてコンテキスト制約を統合する。
CAMILは非小細胞肺癌 (TCGA-NSCLC) とリンパ節転移を認め, それぞれ0.959%, 0.975%であった。
論文 参考訳(メタデータ) (2023-05-09T10:06:37Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳(メタデータ) (2023-04-12T15:08:34Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳(メタデータ) (2023-03-02T15:18:58Z) - Incorporating intratumoral heterogeneity into weakly-supervised deep
learning models via variance pooling [5.606290756924216]
ギガピクセル全体のスライド画像(WSI)からのがん生存予測などの教師付き学習タスクは、計算病理学において重要な課題である。
我々は,MILモデルが腫瘍内不均一性を予測に組み込むことのできる,新しい分散プーリングアーキテクチャを開発した。
がんゲノムアトラスの4,479ギガピクセルWSIを用いた実証研究は、MILフレームワークに分散プールを追加することで、5種類のがんの生存予測性能が向上することを示した。
論文 参考訳(メタデータ) (2022-06-17T16:35:35Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳(メタデータ) (2022-03-20T21:00:10Z) - Metastatic Cancer Outcome Prediction with Injective Multiple Instance
Pooling [1.0965065178451103]
我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。
結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。
本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
論文 参考訳(メタデータ) (2022-03-09T16:58:03Z) - 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) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳(メタデータ) (2020-12-06T03:41:51Z) - Applying a random projection algorithm to optimize machine learning
model for predicting peritoneal metastasis in gastric cancer patients using
CT images [0.3120960917423201]
手術前の癌転移のリスクを非侵襲的に予測することは、最適な治療方法を決定する上で重要な役割を担っている。
本研究では,小・不均衡の画像データセットを用いて最適な機械学習モデルを構築するための新しいアプローチについて検討する。
論文 参考訳(メタデータ) (2020-09-01T19:53:09Z) - Synthesizing lesions using contextual GANs improves breast cancer
classification on mammograms [0.4297070083645048]
本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。
自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
論文 参考訳(メタデータ) (2020-05-29T21:23:00Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。