論文の概要: Biologically-primed deep neural network improves colorectal Cancer Molecular subtypes prediction from H&E stained images

• arxiv url: http://arxiv.org/abs/2303.14703v1
• Date: Sun, 26 Mar 2023 12:13:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 17:59:44.971579
• Title: Biologically-primed deep neural network improves colorectal Cancer Molecular subtypes prediction from H&E stained images
• Title（参考訳）: 深層ニューラルネットワークによるh&e染色画像からの大腸癌分子サブタイプ予測
• Authors: Hadar Hezi, Daniel Shats, Daniel Gurevich, Yosef E. Maruvka, Moti Freiman
• Abstract要約: H&E染色画像からCRCサブタイプ分類のための生物プライドCNN(BP-CNN)アーキテクチャを提案する。 BP-CNNは、バイナリ分類の結果を生物学的にインフォームドされた多クラスの結果にキャストすることで、追加の生物学的手がかりを説明できる。 BP-CNNは単一ヌクレオチドポリモルフィズム (SNP) 分子特性のいずれにおいても優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Colorectal cancer (CRC) molecular subtypes play a crucial role in determining treatment options. Immunotherapy is effective for the microsatellite instability (MSI) subtype of CRC, but not for the microsatellite stability (MSS) subtype. Recently, convolutional neural networks (CNNs) have been proposed for automated determination of CRC subtypes from H\&E stained histopathological images. However, previous CNN architectures only consider binary outcomes of MSI or MSS, and do not account for additional biological cues that may affect the histopathological imaging phenotype. In this study, we propose a biologically-primed CNN (BP-CNN) architecture for CRC subtype classification from H\&E stained images. Our BP-CNN accounts for additional biological cues by casting the binary classification outcome into a biologically-informed multi-class outcome. We evaluated the BP-CNN approach using a 5-fold cross-validation experimental setup for model development on the TCGA-CRC-DX cohort, comparing it to a baseline binary classification CNN. Our BP-CNN achieved superior performance when using either single-nucleotide-polymorphism (SNP) molecular features (AUC: 0.824$\pm$0.02 vs. 0.761$\pm$0.04, paired t-test, p$<$0.05) or CpG-Island methylation phenotype (CIMP) molecular features (AUC: 0.834$\pm$0.01 vs. 0.787$\pm$0.03, paired t-test, p$<$0.05). A combination of CIMP and SNP models further improved classification accuracy (AUC: 0.847$\pm$0.01 vs. 0.787$\pm$0.03, paired t-test, p$=$0.01). Our BP-CNN approach has the potential to provide insight into the biological cues that influence cancer histopathological imaging phenotypes and to improve the accuracy of deep-learning-based methods for determining cancer subtypes from histopathological imaging data.
• Abstract（参考訳）: 大腸癌(crc)分子サブタイプは治療の選択肢を決定する上で重要な役割を果たす。 免疫療法はCRCのマイクロサテライト不安定(MSI)サブタイプに有効であるが、マイクロサテライト安定性(MSS)サブタイプには有効ではない。 近年,H&E染色組織像からCRCサブタイプの自動決定のための畳み込みニューラルネットワーク (CNN) が提案されている。 しかしながら、以前のcnnアーキテクチャはmsiまたはmssのバイナリ結果のみを考慮し、病理組織学的画像表現型に影響を与える可能性のある追加の生物学的手がかりを考慮しない。 本研究では,H\&E染色画像からのCRCサブタイプ分類のための生物プライドCNN(BP-CNN)アーキテクチャを提案する。 BP-CNNは,2値分類結果を生物学的にインフォームドされた複数クラスにキャストすることで,生物学的な手がかりを付加する。 TCGA-CRC-DXコホートにおけるモデル開発のための5倍のクロスバリデーション実験装置を用いてBP-CNNアプローチを評価し,ベースラインバイナリ分類CNNと比較した。 auc: 0.824$\pm$0.02 vs. 0.761$\pm$0.04, paired t-test, p$<$0.05) または cpg-island methylation phenotype (cimp) 分子特徴 (auc: 0.834$\pm$0.01 vs. 0.787$\pm$0.03, paired t-test, p$<0.05) を用いた場合、bp-cnnは優れた性能を示した。 CIMPとSNPの組み合わせにより分類精度はさらに向上した(AUC: 0.847$\pm$0.01 vs. 0.787$\pm$0.03, paired t-test, p$=0.01)。 bp-cnnアプローチは, 癌組織像の表現型に影響を与える生物学的手がかりと, 病理組織像データから癌サブタイプを決定するディープラーニング手法の精度を向上させる可能性を秘めている。

関連論文リスト

• Predictive Analytics of Varieties of Potatoes [2.336821989135698]
  本研究では, 育種試験におけるサツマイモクローンの選択プロセスの向上を目的とした, 機械学習アルゴリズムの適用について検討する。 本研究は, 高収率, 耐病性, 耐気候性ポテト品種を効率的に同定することの課題に対処する。
  論文  参考訳（メタデータ） (2024-04-04T00:49:05Z)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• Development of Interpretable Machine Learning Models to Detect Arrhythmia based on ECG Data [0.0]
  この論文は、最先端モデルに基づいた畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)分類器を構築する。 大域的および局所的解釈可能性法は、依存変数と独立変数の相互作用を理解するために利用される。 提案したCNNモデルとLSTMモデルの予測を説明する上で,Grad-Camが最も効果的な解釈可能性技術であることが判明した。
  論文  参考訳（メタデータ） (2022-05-05T17:29:33Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Predicting Molecular Phenotypes with Single Cell RNA Sequencing Data: an Assessment of Unsupervised Machine Learning Models [0.0]
  本研究は、異種腫瘍における治療抵抗性表現型分類における教師なし機械学習の評価である。 scRNAseqは細胞のmRNAを定量化し、細胞表現型を特徴づける。 このパイプラインから生成されたクラスターは、がん細胞の挙動と悪性成長を理解するために使用できる。
  論文  参考訳（メタデータ） (2021-08-11T05:30:37Z)
• Instance-based Vision Transformer for Subtyping of Papillary Renal Cell Carcinoma in Histopathological Image [31.00452985964065]
  P型腎細胞癌(RCC)の病理組織学的サブタイプは1型対2型であり,本態性予後因子である。 本稿では,pRCCサブタイピングタスクの組織像の頑健な表現を学習するための,新しいインスタンスベースの視覚変換器(i-ViT)を提案する。 実験結果から,提案手法は既存のCNNモデルよりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-06-23T09:42:49Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。