論文の概要: Studying Therapy Effects and Disease Outcomes in Silico using Artificial Counterfactual Tissue Samples

• arxiv url: http://arxiv.org/abs/2302.03120v1
• Date: Mon, 6 Feb 2023 20:59:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-08 18:12:32.896096
• Title: Studying Therapy Effects and Disease Outcomes in Silico using Artificial Counterfactual Tissue Samples
• Title（参考訳）: 人工組織サンプルを用いたシリカの治療効果と疾患予後の検討
• Authors: Martin Paulikat, Christian M. Sch\"urch, Christian F. Baumgartner
• Abstract要約: 人工組織サンプルの作成にGAN(Generative Adversarial Network)を用いた機械学習フレームワークCF-HistoGANを提案する。 具体的には、ある患者グループからHMTIサンプルを「翻訳」し、人工的なペア化サンプルを作成することを学ぶ。 本手法は個々の組織試料のiTMEに異なる患者結果が与える影響を直接的に研究することを可能にする。
• 参考スコア（独自算出の注目度）: 1.7517722374326314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the interactions of different cell types inside the immune tumor microenvironment (iTME) is crucial for the development of immunotherapy treatments as well as for predicting their outcomes. Highly multiplexed tissue imaging (HMTI) technologies offer a tool which can capture cell properties of tissue samples by measuring expression of various proteins and storing them in separate image channels. HMTI technologies can be used to gain insights into the iTME and in particular how the iTME differs for different patient outcome groups of interest (e.g., treatment responders vs. non-responders). Understanding the systematic differences in the iTME of different patient outcome groups is crucial for developing better treatments and personalising existing treatments. However, such analyses are inherently limited by the fact that any two tissue samples vary due to a large number of factors unrelated to the outcome. Here, we present CF-HistoGAN, a machine learning framework that employs generative adversarial networks (GANs) to create artificial counterfactual tissue samples that resemble the original tissue samples as closely as possible but capture the characteristics of a different patient outcome group. Specifically, we learn to "translate" HMTI samples from one patient group to create artificial paired samples. We show that this approach allows to directly study the effects of different patient outcomes on the iTMEs of individual tissue samples. We demonstrate that CF-HistoGAN can be employed as an explorative tool for understanding iTME effects on the pixel level. Moreover, we show that our method can be used to identify statistically significant differences in the expression of different proteins between patient groups with greater sensitivity compared to conventional approaches.
• Abstract（参考訳）: 免疫腫瘍マイクロ環境(itme)内の異なる細胞型の相互作用を理解することは、免疫療法の発達とそれらの結果の予測に重要である。 高多重組織イメージング(HMTI)技術は、様々なタンパク質の発現を測定し、それらを別の画像チャネルに格納することで、組織サンプルの細胞特性をキャプチャするツールを提供する。 HMTI技術は、iTME、特にiTMEが、異なる患者結果グループ(例えば、治療応答者対非対応者)に対してどのように異なるかを知るのに利用できる。 異なる患者結果群のiTMEの系統的差異を理解することは、より良い治療を開発し、既存の治療をパーソナライズするために重要である。 しかしながら、このような分析は、2つの組織サンプルが結果とは無関係な多数の要因によって異なるという事実によって本質的に制限されている。 本稿では,創発的逆境ネットワーク(gans)を用いて,元の組織サンプルと可能な限り近い距離で類似した,異なる患者結果群の特性を捉えた人工的偽組織サンプルを作成する,機械学習フレームワークであるcf-histoganを提案する。 具体的には、ある患者グループからHMTIサンプルを「翻訳」し、人工的なペア化サンプルを作成することを学ぶ。 このアプローチは,個々の組織サンプルのイトメに対する異なる患者結果の影響を直接研究できることを示す。 CF-HistoGANは画素レベルのiTME効果を理解するための爆発的ツールとして利用できることを示す。 また,従来の方法に比べて感度が高い患者群間で異なるタンパク質の発現の統計的に有意な差を同定できることを示した。

関連論文リスト

• Patient-Specific Models of Treatment Effects Explain Heterogeneity in Tuberculosis [41.015496177711334]
  結核(英: tuberculosis、TB)は、HIV、糖尿病、貧血などの共同病原体が合併した世界的な健康問題である。 TBの伝統的なモデルは、広範に定義された患者グループに焦点を当てることで、この異種性を見落としていることが多い。 マルチタスク学習手法である文脈的モデリングを用いて、粗い部分群解析を超えて移動することを提案する。
  論文  参考訳（メタデータ） (2024-11-16T00:55:24Z)
• DE-CGAN: Boosting rTMS Treatment Prediction with Diversity Enhancing Conditional Generative Adversarial Networks [16.850380946914946]
  そこで本研究では,De-CGAN(Diversity Enhancing Conditional General Adversarial Network)による分類モデルの性能向上について述べる。 この研究は、トレーニングデータセットの多様性を高めることで、分類モデルのパフォーマンスが向上することを示している。
  論文  参考訳（メタデータ） (2024-04-25T15:15:58Z)
• Multimodal Pathology Image Search Between H&E Slides and Multiplexed Immunofluorescent Images [0.0]
  本稿では,変分オートエンコーダ (VAE) 潜時空間上の動的時間ワープ (DTW) を用いたマルチモーダル画像検索手法を提案する。 VAEのトレーニングとDTWの適用を通じて、mIFとH&Eのスライドを調整および比較する。 本手法は, 形態学的H&EデータとmIFの免疫フェノタイピングを併用することにより, 鑑別診断と治療決定を改善する。
  論文  参考訳（メタデータ） (2023-06-11T21:30:20Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• 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)
• Identifying Heterogeneous Treatment Effects in Multiple Outcomes using Joint Confidence Intervals [5.3410655248484]
  不均一治療効果(HTEs)はランダム化対照試験(RCTs)において一般的に同定される 共同CIに基づいて,複数の結果にまたがるサブグループを同定する枠組みを提案する。 我々は,2つの結果が存在する合成データと半合成データを用いて本アルゴリズムを検証し,両結果が同時にHTEを捕捉できることを実証した。
  論文  参考訳（メタデータ） (2022-12-02T20:43:47Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• A Graph Based Neural Network Approach to Immune Profiling of Multiplexed Tissue Samples [0.3818645814949462]
  多重蛍光は、特定の細胞間および細胞の微小環境相互作用を研究する前例のない機会となる。 組織形態学から得られた特徴とタンパク質発現の測定を組み合わせ、腫瘍の微小環境をプロファイリングするためにグラフニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2022-02-01T23:48:40Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-06T20:20:22Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。