論文の概要: An interpretable machine learning system for colorectal cancer diagnosis from pathology slides

• arxiv url: http://arxiv.org/abs/2301.02608v2
• Date: Tue, 30 Apr 2024 18:10:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-02 20:50:17.819978
• Title: An interpretable machine learning system for colorectal cancer diagnosis from pathology slides
• Title（参考訳）: 疾患スライドを用いた大腸癌診断のための解釈型機械学習システム
• Authors: Pedro C. Neto, Diana Montezuma, Sara P. Oliveira, Domingos Oliveira, João Fraga, Ana Monteiro, João Monteiro, Liliana Ribeiro, Sofia Gonçalves, Stefan Reinhard, Inti Zlobec, Isabel M. Pinto, Jaime S. Cardoso,
• Abstract要約: 本研究は,約10,500個のWSIを用いて,最大規模のWSI南極サンプルデータセットを用いて行った。 提案手法は, パッチベースのタイルに対して, 異形成の重症度に基づくクラスを推定する。 病理学者が導入したドメイン知識を活用するために、解釈可能な混合スーパービジョンスキームで訓練されている。
• 参考スコア（独自算出の注目度）: 2.7968867060319735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Considering the profound transformation affecting pathology practice, we aimed to develop a scalable artificial intelligence (AI) system to diagnose colorectal cancer from whole-slide images (WSI). For this, we propose a deep learning (DL) system that learns from weak labels, a sampling strategy that reduces the number of training samples by a factor of six without compromising performance, an approach to leverage a small subset of fully annotated samples, and a prototype with explainable predictions, active learning features and parallelisation. Noting some problems in the literature, this study is conducted with one of the largest WSI colorectal samples dataset with approximately 10,500 WSIs. Of these samples, 900 are testing samples. Furthermore, the robustness of the proposed method is assessed with two additional external datasets (TCGA and PAIP) and a dataset of samples collected directly from the proposed prototype. Our proposed method predicts, for the patch-based tiles, a class based on the severity of the dysplasia and uses that information to classify the whole slide. It is trained with an interpretable mixed-supervision scheme to leverage the domain knowledge introduced by pathologists through spatial annotations. The mixed-supervision scheme allowed for an intelligent sampling strategy effectively evaluated in several different scenarios without compromising the performance. On the internal dataset, the method shows an accuracy of 93.44% and a sensitivity between positive (low-grade and high-grade dysplasia) and non-neoplastic samples of 0.996. On the external test samples varied with TCGA being the most challenging dataset with an overall accuracy of 84.91% and a sensitivity of 0.996.
• Abstract（参考訳）: 病理学の実践に影響を及ぼす大きな変革を考慮し,全スライディング画像(WSI)から大腸癌を診断するスケーラブルな人工知能(AI)システムの開発を目指した。 そこで本研究では,弱いラベルから学習するディープラーニング(DL)システム,パフォーマンスを損なうことなくトレーニングサンプル数を6倍に削減するサンプリング戦略,完全注釈付きサンプルの小さなサブセットを活用するアプローチ,説明可能な予測,アクティブな学習特徴,並列化を備えたプロトタイプを提案する。 本研究は, 約10,500個のWSIを用いて, 最大規模のWSI検体を用いて実施した。 これらのサンプルのうち900は試験サンプルである。 さらに,提案手法のロバスト性は,2つの外部データセット(TCGAとPAIP)と,提案したプロトタイプから直接収集したサンプルのデータセットを用いて評価する。 提案手法は,ディスプラシアの重症度に基づくクラスであるパッチベースのタイルについて予測し,その情報を用いてスライド全体を分類する。 空間的アノテーションを通じて、病理学者が導入したドメイン知識を活用するための解釈可能な混合スーパービジョンスキームを用いて訓練される。 混合スーパービジョン方式により、知的サンプリング戦略は、性能を損なうことなく、複数の異なるシナリオで効果的に評価できる。 内部データセットでは93.44%の精度を示し、正(低グレードと高グレード)と非ネオプラスチック試料0.996の感度を示した。 外部試験では、TCGAは84.91%、感度0.996の最も難しいデータセットである。

関連論文リスト

• SSL-CPCD: Self-supervised learning with composite pretext-class discrimination for improved generalisability in endoscopic image analysis [3.1542695050861544]
  深層学習に基づく教師付き手法は医用画像解析において広く普及している。 大量のトレーニングデータと、目に見えないデータセットに対する一般的な問題に直面する必要がある。 本稿では,加法的角マージンを用いたパッチレベルのインスタンスグループ識別とクラス間変動のペナル化について検討する。
  論文  参考訳（メタデータ） (2023-05-31T21:28:08Z)
• An interpretable imbalanced semi-supervised deep learning framework for improving differential diagnosis of skin diseases [8.120827875780382]
  本稿では,多種性インテリジェント皮膚診断フレームワーク(ISDL)の解釈可能性と非バランス半教師あり学習に関する最初の研究について述べる。 ISDLは0.979の精度,0.975の感度,0.973の特異度,0.974のマクロF1スコア,およびマルチラベル皮膚疾患分類における0.999の受信操作特性曲線(AUC)以下の領域を有望な性能で達成した。
  論文  参考訳（メタデータ） (2022-11-20T03:33:33Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Out-of-Distribution Detection in Dermatology using Input Perturbation and Subset Scanning [5.674998177844528]
  現在の皮膚疾患モデルでは、異なるハードウェアデバイスや臨床機器からの検査サンプルの誤った推測が可能である。 決定に先立って,これらのOODサンプルを簡易かつ効果的に検出する手法を提案する。
  論文  参考訳（メタデータ） (2021-05-24T09:04:47Z)
• Interpretability-Driven Sample Selection Using Self Supervised Learning For Disease Classification And Segmentation [4.898744396854313]
  解釈可能なサリエンシーマップに含まれる情報を活用した深層特徴に基づく新しいサンプル選択手法を提案する。 提案手法は, より少ないサンプルで, アートパフォーマンスの状態を導く情報的サンプルの選択において, 他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-13T10:46:33Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• 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)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。