論文の概要: Regression-based Deep-Learning predicts molecular biomarkers from pathology slides

• arxiv url: http://arxiv.org/abs/2304.05153v1
• Date: Tue, 11 Apr 2023 11:43:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-12 15:14:40.721925
• Title: Regression-based Deep-Learning predicts molecular biomarkers from pathology slides
• Title（参考訳）: 回帰型ディープラーニングは病理スライドから分子バイオマーカーを予測する
• Authors: Omar S. M. El Nahhas, Chiara M. L. Loeffler, Zunamys I. Carrero, Marko van Treeck, Fiona R. Kolbinger, Katherine J. Hewitt, Hannah S. Muti, Mara Graziani, Qinghe Zeng, Julien Calderaro, Nadina Ortiz-Br\"uchle, Tanwei Yuan, Michael Hoffmeister, Hermann Brenner, Alexander Brobeil, Jorge S. Reis-Filho, Jakob Nikolas Kather
• Abstract要約: 我々は,画像から直接バイオマーカーを予測する自己監督型弱教師付き回帰手法を開発し,評価した。 回帰を用いて、バイオマーカー予測の精度を著しく向上させ、また、分類よりも結果の解釈可能性を向上させる。 我々のオープンソースレグレッションアプローチは、計算病理学における連続バイオマーカー解析に有望な代替手段を提供する。
• 参考スコア（独自算出の注目度）: 40.24757332810004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Learning (DL) can predict biomarkers from cancer histopathology. Several clinically approved applications use this technology. Most approaches, however, predict categorical labels, whereas biomarkers are often continuous measurements. We hypothesized that regression-based DL outperforms classification-based DL. Therefore, we developed and evaluated a new self-supervised attention-based weakly supervised regression method that predicts continuous biomarkers directly from images in 11,671 patients across nine cancer types. We tested our method for multiple clinically and biologically relevant biomarkers: homologous repair deficiency (HRD) score, a clinically used pan-cancer biomarker, as well as markers of key biological processes in the tumor microenvironment. Using regression significantly enhances the accuracy of biomarker prediction, while also improving the interpretability of the results over classification. In a large cohort of colorectal cancer patients, regression-based prediction scores provide a higher prognostic value than classification-based scores. Our open-source regression approach offers a promising alternative for continuous biomarker analysis in computational pathology.
• Abstract（参考訳）: deep learning (dl) は癌病理からバイオマーカーを予測することができる。 臨床に承認されたいくつかのアプリケーションは、この技術を使用する。 しかし、ほとんどのアプローチは分類ラベルを予測するが、バイオマーカーはしばしば連続的な測定である。 回帰型DLは分類型DLよりも優れていると仮定した。 そこで我々は,9種類の癌患者11,671人の画像から直接連続的バイオマーカーを予測する自己監督型弱監督回帰法を開発し,評価した。 臨床および生物学的に関連のある複数のバイオマーカー(homologous repair defect (hrd) score, pan-cancer biomarker,および腫瘍微小環境における重要な生物学的過程のマーカー)について検討した。 回帰を用いることでバイオマーカー予測の精度が大幅に向上すると同時に、分類よりも結果の解釈性も向上する。 大腸癌患者の大きなコホートでは、回帰に基づく予測スコアは分類に基づくスコアよりも高い予後値をもたらす。 我々のオープンソースレグレッションアプローチは、計算病理学における連続バイオマーカー解析に有望な代替手段を提供する。

関連論文リスト

• Screen Them All: High-Throughput Pan-Cancer Genetic and Phenotypic Biomarker Screening from H&E Whole Slide Images [3.119559770601732]
  通常のH&EスライドでのAIの使用は、複数の分子バイオマーカーのスクリーニングに迅速かつ経済的アプローチを提供する。 我々は,300万スライドで事前学習した基礎モデルであるVirchow2を利用した高スループットAIベースシステムを提案する。 バイオマーカーや癌の種類ごとに個別のモデルを訓練する従来の手法とは異なり、我々のシステムは、幅広い臨床関連分子バイオマーカーを同時に予測するために統一されたモデルを採用している。
  論文  参考訳（メタデータ） (2024-08-18T17:44:00Z)
• Biomarker based Cancer Classification using an Ensemble with Pre-trained Models [2.2436844508175224]
  マルチクラス分類タスクに対して,事前学習したハイパーファストモデル,XGBoost,LightGBMを組み合わせた新しいアンサンブルモデルを提案する。 我々はメタトレーニングしたハイパーファストモデルを用いてがんの分類を行い、AUCは0.9929である。 また,事前学習したハイパーファストモデル,XGBoost,LightGBMを多クラス分類タスクに組み合わせた新しいアンサンブルモデルを提案し,精度を漸進的に向上させる(0.9464)。
  論文  参考訳（メタデータ） (2024-06-14T14:43:59Z)
• Machine Learning Driven Biomarker Selection for Medical Diagnosis [1.10252115875756]
  実験手法の最近の進歩により、研究者は何千もの分析物のデータを同時に収集できるようになった。 これは、アルツハイマー病、肝臓がん、胃癌などの疾患と分子測定を関連付ける相関研究につながった。 分析物から選択された何千ものバイオマーカーの使用は、現実の診断には実用的ではなく、潜在的に形成される急激な相関のために望ましくない可能性がある。
  論文  参考訳（メタデータ） (2024-05-16T01:30:47Z)
• Deep Learning Predicts Biomarker Status and Discovers Related Histomorphology Characteristics for Low-Grade Glioma [21.281553456323998]
  低次グリオーマ(LGG)の診断と治療にはバイオマーカー検出が不可欠である ヘマトキシリンとエオシンを含む全スライド画像とスライドレベルのバイオマーカーステータスラベルを用いて,LGGの5つのバイオマーカーの状態を予測するための解釈可能なディープラーニングパイプラインを提案する。 我々のパイプラインはバイオマーカー予測の新しいアプローチを提供するだけでなく、LGG患者に対する分子治療の適用性を高めるだけでなく、分子機能とLGGの進行の新たなメカニズムの発見を促進する。
  論文  参考訳（メタデータ） (2023-10-11T13:05:33Z)
• A marker-less human motion analysis system for motion-based biomarker discovery in knee disorders [60.99112047564336]
  NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。 膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
  論文  参考訳（メタデータ） (2023-04-26T16:47:42Z)
• Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
  オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する 乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
  論文  参考訳（メタデータ） (2022-01-09T04:35:55Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• The Future will be Different than Today: Model Evaluation Considerations when Developing Translational Clinical Biomarker [4.549866091318765]
  従来のクロスバリデーション(cv)方式の代わりに,LOSO(Left-one-Study-out)を用いた評価戦略を提案する。 バイオマーカーの効果を推定するためのK-fold vs. LOSO cvの性能を示すために,臨床実験およびシミュレーション研究のデータを活用した。
  論文  参考訳（メタデータ） (2021-07-13T19:36:25Z)
• Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
  低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。 本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。 私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
  論文  参考訳（メタデータ） (2021-02-11T09:04:45Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。