論文の概要: DPSeq: A Novel and Efficient Digital Pathology Classifier for Predicting
Cancer Biomarkers using Sequencer Architecture
- arxiv url: http://arxiv.org/abs/2305.01968v1
- Date: Wed, 3 May 2023 08:31:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 15:33:42.900547
- Title: DPSeq: A Novel and Efficient Digital Pathology Classifier for Predicting
Cancer Biomarkers using Sequencer Architecture
- Title(参考訳): dpseq:シーケンサーアーキテクチャを用いた癌バイオマーカー予測のための新規かつ効率的なデジタル病理分類器
- Authors: Min Cen, Xingyu Li, Bangwei Guo, Jitendra Jonnagaddala, Hong Zhang, Xu
Steven Xu
- Abstract要約: デジタル病理学の課題では、トランスフォーマーは畳み込みニューラルネットワーク(CNN)を超越して最先端の結果を得た。
我々はDPSeqと呼ばれる新規かつ効率的なデジタル病理分類器を開発し,癌バイオマーカーの予測を行った。
- 参考スコア(独自算出の注目度): 4.876281217951695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In digital pathology tasks, transformers have achieved state-of-the-art
results, surpassing convolutional neural networks (CNNs). However, transformers
are usually complex and resource intensive. In this study, we developed a novel
and efficient digital pathology classifier called DPSeq, to predict cancer
biomarkers through fine-tuning a sequencer architecture integrating horizon and
vertical bidirectional long short-term memory (BiLSTM) networks. Using
hematoxylin and eosin (H&E)-stained histopathological images of colorectal
cancer (CRC) from two international datasets: The Cancer Genome Atlas (TCGA)
and Molecular and Cellular Oncology (MCO), the predictive performance of DPSeq
was evaluated in series of experiments. DPSeq demonstrated exceptional
performance for predicting key biomarkers in CRC (MSI status, Hypermutation,
CIMP status, BRAF mutation, TP53 mutation and chromosomal instability [CING]),
outperforming most published state-of-the-art classifiers in a within-cohort
internal validation and a cross-cohort external validation. Additionally, under
the same experimental conditions using the same set of training and testing
datasets, DPSeq surpassed 4 CNN (ResNet18, ResNet50, MobileNetV2, and
EfficientNet) and 2 transformer (ViT and Swin-T) models, achieving the highest
AUROC and AUPRC values in predicting MSI status, BRAF mutation, and CIMP
status. Furthermore, DPSeq required less time for both training and prediction
due to its simple architecture. Therefore, DPSeq appears to be the preferred
choice over transformer and CNN models for predicting cancer biomarkers.
- Abstract(参考訳): デジタル病理学のタスクでは、トランスフォーマーは最先端の結果を達成し、畳み込みニューラルネットワーク(CNN)を超えた。
しかし、変圧器は通常複雑で資源集約的である。
本研究では,水平線と垂直2方向長短期メモリ(BiLSTM)ネットワークを統合したシーケンサアーキテクチャを用いて,癌バイオマーカーの予測を行うDPSeqという新しいデジタル病理分類器を開発した。
The Cancer Genome Atlas (TCGA) と Molecular and Cellular Oncology (MCO) の2つの国際データセットから, Hematoxylin と eosin (H&E) を用いた大腸癌の組織像を用いて, DPSeq の予測性能を一連の実験で評価した。
DPSeq は CRC (MSI status, Hypermutation, CIMP status, BRAF mutation, TP53 mutation and chromosomal instability [CING]) におけるキーバイオマーカーの予測に優れた性能を示した。
さらに、同じトレーニングとテストデータセットを使用した同じ実験条件下で、DPSeqは4つのCNN(ResNet18、ResNet50、MobileNetV2、EfficientNet)と2つのトランスフォーマー(ViTとSwin-T)モデルを超え、MSIステータス、BRAF変異、CIMPステータスを予測する上で最高のAUROCとAUPRC値を達成した。
さらにDPSeqは、単純なアーキテクチャのため、トレーニングと予測の両方に時間を必要とした。
したがってDPSeqは、がんバイオマーカーを予測するためにトランスフォーマーやCNNモデルよりも好まれる。
関連論文リスト
- Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2024-08-11T15:46:00Z) - Multimodal Prototyping for cancer survival prediction [45.61869793509184]
ギガピクセルヒストロジー全体スライディング画像(WSI)と転写学的プロファイルを組み合わせたマルチモーダルサバイバル法は,患者の予後と成層化に特に有望である。
現在のアプローチでは、WSIを小さなパッチ(>10,000パッチ)にトークン化し、トランスクリプトミクスを遺伝子グループに分割し、結果を予測するためにTransformerを使用して統合する。
このプロセスは多くのトークンを生成し、これは注意を計算するための高いメモリ要求をもたらし、ポストホック解釈可能性分析を複雑にする。
我々のフレームワークは、新しい解釈可能性解析を解き放ちながら、はるかに少ない計算で最先端の手法より優れている。
論文 参考訳(メタデータ) (2024-06-28T20:37:01Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳(メタデータ) (2023-08-04T01:19:32Z) - Time to Embrace Natural Language Processing (NLP)-based Digital
Pathology: Benchmarking NLP- and Convolutional Neural Network-based Deep
Learning Pipelines [4.876281217951695]
NLPベースのコンピュータビジョンモデル、特に視覚変換器は、多くの画像処理タスクにおいてCNNモデルより優れていることが示されている。
我々は,最近提案された5つのNLPモデルと4つのCNNモデルをベンチマークするために,デジタル病理パイプラインを開発した。
我々のNLPモデルは、比較的小さなトレーニングデータセットを用いて、3つのバイオマーカー全てに対して最先端の予測を達成した。
論文 参考訳(メタデータ) (2023-02-21T02:42:03Z) - Predicting microsatellite instability and key biomarkers in colorectal
cancer from H&E-stained images: Achieving SOTA with Less Data using Swin
Transformer [3.6695403836792493]
シフトウインドウ(Swin-T)を用いた大腸癌バイオマーカーの効率的なワークフローを開発した。
Swin-Tは小さなトレーニングデータセットを使用して極めて効率的で、200-500のトレーニングサンプルだけで堅牢な予測性能を示す。
これらのデータは、Swin-Tが現在のMSIの最先端アルゴリズムよりも5~10倍効率が高いことを示している。
論文 参考訳(メタデータ) (2022-08-22T02:32:30Z) - A robust and lightweight deep attention multiple instance learning
algorithm for predicting genetic alterations [4.674211520843232]
本稿では,遺伝子変異を予測するための新しいAttention-based Multiple Instance Mutation Learning (AMIML)モデルを提案する。
AMIMLは連続した1次元畳み込み層、デコーダ、および軽量アテンション機構のさらなる統合を容易にする余剰重量接続から構成されていた。
AMIMLは優れたロバスト性を示し、テスト対象遺伝子の大部分で5つのベースラインアルゴリズムをすべて上回るだけでなく、他の7遺伝子に対してほぼ最高の性能を示した。
論文 参考訳(メタデータ) (2022-05-31T15:45:29Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳(メタデータ) (2021-12-18T14:17:49Z) - 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) - 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。