論文の概要: hist2RNA: An efficient deep learning architecture to predict gene
expression from breast cancer histopathology images
- arxiv url: http://arxiv.org/abs/2304.04507v2
- Date: Mon, 24 Apr 2023 15:35:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 20:21:32.927908
- Title: hist2RNA: An efficient deep learning architecture to predict gene
expression from breast cancer histopathology images
- Title（参考訳）: Hist2RNA:乳がん組織像から遺伝子発現を予測するための効率的なディープラーニングアーキテクチャ
- Authors: Raktim Kumar Mondol, Ewan K.A. Millar, Peter H Graham, Lois Browne,
Arcot Sowmya, Erik Meijering
- Abstract要約: 深層学習アルゴリズムは、デジタル組織像から形態パターンを抽出し、分子の表現型を迅速かつ低コストで予測することができる。
我々は,138遺伝子の発現を予測するために,バルクRNAシークエンシング技術にインスパイアされたhist2RNAという新しい計算効率の高い手法を提案する。
- 参考スコア（独自算出の注目度）: 11.822321981275232
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Gene expression can be used to subtype breast cancer with improved prediction
of risk of recurrence and treatment responsiveness over that obtained using
routine immunohistochemistry (IHC). However, in the clinic, molecular profiling
is primarily used for ER+ cancer and is costly and tissue destructive, requires
specialized platforms and takes several weeks to obtain a result. Deep learning
algorithms can effectively extract morphological patterns in digital
histopathology images to predict molecular phenotypes quickly and
cost-effectively. We propose a new, computationally efficient approach called
hist2RNA inspired by bulk RNA-sequencing techniques to predict the expression
of 138 genes (incorporated from six commercially available molecular profiling
tests), including luminal PAM50 subtype, from hematoxylin and eosin (H&E)
stained whole slide images (WSIs). The training phase involves the aggregation
of extracted features for each patient from a pretrained model to predict gene
expression at the patient level using annotated H&E images from The Cancer
Genome Atlas (TCGA, n=335). We demonstrate successful gene prediction on a
held-out test set (n=160, corr=0.82 across patients, corr=0.29 across genes)
and perform exploratory analysis on an external tissue microarray (TMA) dataset
(n=498) with known IHC and survival information. Our model is able to predict
gene expression and luminal PAM50 subtype (Luminal A versus Luminal B) on the
TMA dataset with prognostic significance for overall survival in univariate
analysis (c-index=0.56, hazard ratio=2.16 (95% CI 1.12-3.06), p<5x10-3), and
independent significance in multivariate analysis incorporating standard
clinicopathological variables (c-index=0.65, hazard ratio=1.85 (95% CI
1.30-2.68), p<5x10-3).
- Abstract（参考訳）: 遺伝子発現は、通常の免疫組織化学(ihc)による再発リスクと治療応答性の予測を改善した乳癌のサブタイプに使用できる。
しかし、このクリニックでは、分子プロファイリングは主にER+がんに使われ、費用がかかり、組織が破壊され、特別なプラットフォームが必要で、結果を得るために数週間かかる。
深層学習アルゴリズムは、デジタル組織病理画像の形態的パターンを効果的に抽出し、分子表現型を迅速かつ費用効率良く予測することができる。
ヘマトキシリンおよびエオシン(H&E)染色スライディング画像(WSIs)からの光性PAM50サブタイプを含む138遺伝子(市販の分子プロファイリングテスト6種を組み込んだ)の発現を予測するため,バルクRNAシークエンシング技術に触発された新しい計算効率の高いhist2RNAを提案する。
トレーニングフェーズは、The Cancer Genome Atlas (TCGA, n=335)の注釈付きH&E画像を用いて、患者レベルでの遺伝子発現を予測する事前訓練モデルから抽出された各患者の特徴の集約を含む。
維持試験セット(n=160, corr=0.82, corr=0.29, corr=0.29)で遺伝子予測を成功させ, IHCおよび生存情報を含む外部組織マイクロアレイ(TMA)データセット(n=498)で探索分析を行った。
c-index=0.56, ハザード比=2.16 (95% ci 1.12-3.06), p<5x10-3), 標準臨床病理学的変数 (c-index=0.65), ハザード比=1.85 (95% ci 1.30-2.68), p<5x10-3) を組み込んだ多変量解析における独立な意味を持つtmaデータセットにおける遺伝子発現と発光pam50サブタイプ (luminal a とluminal b) の予測が可能である。
関連論文リスト
- TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。
医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。
本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
論文 参考訳（メタデータ） (2024-04-11T21:47:13Z) - CIMIL-CRC: a clinically-informed multiple instance learning framework
for patient-level colorectal cancer molecular subtypes classification from
H\&E stained images [45.32169712547367]
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) - Prediction of Breast Cancer Recurrence Risk Using a Multi-Model Approach
Integrating Whole Slide Imaging and Clinicopathologic Features [0.6679306163028237]
本研究の目的は,スライド画像全体と臨床病理学的データを分析し,関連する乳癌再発リスクを予測するマルチモデルアプローチを開発することである。
提案手法では,特徴抽出に畳み込みニューラルネットワーク,コンテキストアグリゲーションに視覚変換器を用いる。
論文 参考訳（メタデータ） (2024-01-28T23:33:56Z) - Neural Network-Based Histologic Remission Prediction In Ulcerative
Colitis [38.150634108667774]
潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解
内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。
本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2023-08-28T15:54:14Z) - Breast Cancer Histopathology Image based Gene Expression Prediction
using Spatial Transcriptomics data and Deep Learning [3.583756449759971]
本稿では,病理組織像から遺伝子発現を予測するためのディープラーニングフレームワークBrST-Netを提案する。
我々は,250遺伝子の予測に事前訓練した重みを使わずに10種類の最先端ディープラーニングモデルを訓練し,評価した。
本手法は,0.50以上の正相関係数を持つ24遺伝子を含む237遺伝子を同定し,過去の研究より優れていた。
論文 参考訳（メタデータ） (2023-03-17T14:03:40Z) - 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) - 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) - Transcriptome-wide prediction of prostate cancer gene expression from
histopathology images using co-expression based convolutional neural networks [0.8874479658912061]
形態と遺伝子発現の関係を特異的にモデル化する新しい計算効率の高い手法を提案する。
前立腺癌におけるRNA塩基配列推定のためのCNNを用いた第1回トランスクリプトーム解析を行った。
論文 参考訳（メタデータ） (2021-04-19T13:50:25Z) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳（メタデータ） (2021-02-10T15:10:37Z) - Predicting molecular phenotypes from histopathology images: a
transcriptome-wide expression-morphology analysis in breast cancer [1.3758771225117674]
乳癌におけるトランススクリプトームワイド・モロフォロジー(EMO)解析を初めて報告した。
遺伝子特異的モデルはmRNA発現の予測のために最適化され、検証された。
9,334遺伝子の予測はRNA配列推定と大きく関連していた。
論文 参考訳（メタデータ） (2020-09-18T16:27:53Z)
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。