論文の概要: Beyond attention: deriving biologically interpretable insights from
weakly-supervised multiple-instance learning models
- arxiv url: http://arxiv.org/abs/2309.03925v1
- Date: Thu, 7 Sep 2023 09:44:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-11 17:06:17.753211
- Title: Beyond attention: deriving biologically interpretable insights from
weakly-supervised multiple-instance learning models
- Title(参考訳): 注意を超えて:弱教師付きマルチインスタンス学習モデルから生物学的解釈可能な洞察を得る
- Authors: Willem Bonnaff\'e, CRUK ICGC Prostate Group, Freddie Hamdy, Yang Hu,
Ian Mills, Jens Rittscher, Clare Verrill, Dan J. Woodcock
- Abstract要約: 本稿では,高精細エンコーダによるタイルレベルのアテンションと予測スコアを組み合わせたPAWマップを提案する。
また, PAWマップと核分割マスクを統合することにより, 生物学的特徴のインスタンス化手法も導入する。
本手法により, 予後不良の予知を行う領域は, 腫瘍部位と同一位置にあることが判明した。
- 参考スコア(独自算出の注目度): 2.639541396835675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in attention-based multiple instance learning (MIL) have
improved our insights into the tissue regions that models rely on to make
predictions in digital pathology. However, the interpretability of these
approaches is still limited. In particular, they do not report whether
high-attention regions are positively or negatively associated with the class
labels or how well these regions correspond to previously established clinical
and biological knowledge. We address this by introducing a post-training
methodology to analyse MIL models. Firstly, we introduce
prediction-attention-weighted (PAW) maps by combining tile-level attention and
prediction scores produced by a refined encoder, allowing us to quantify the
predictive contribution of high-attention regions. Secondly, we introduce a
biological feature instantiation technique by integrating PAW maps with nuclei
segmentation masks. This further improves interpretability by providing
biologically meaningful features related to the cellular organisation of the
tissue and facilitates comparisons with known clinical features. We illustrate
the utility of our approach by comparing PAW maps obtained for prostate cancer
diagnosis (i.e. samples containing malignant tissue, 381/516 tissue samples)
and prognosis (i.e. samples from patients with biochemical recurrence following
surgery, 98/663 tissue samples) in a cohort of patients from the international
cancer genome consortium (ICGC UK Prostate Group). Our approach reveals that
regions that are predictive of adverse prognosis do not tend to co-locate with
the tumour regions, indicating that non-cancer cells should also be studied
when evaluating prognosis.
- Abstract(参考訳): 注意に基づく複数インスタンス学習(mil)の最近の進歩は、モデルがデジタル病理学の予測に頼る組織領域に対する洞察を改善しました。
しかし、これらのアプローチの解釈可能性はまだ限られている。
特に、ハイアテンション領域がクラスラベルと正の関連があるか負の関連があるか、あるいはこれらの領域が以前に確立された臨床および生物学的知識とどの程度の対応があるかを報告していない。
MILモデルを分析するためのポストトレーニング手法を導入することで、この問題に対処する。
まず,洗練されたエンコーダによって生成されるタイルレベルの注意点と予測スコアを組み合わせることで,高精度領域の予測寄与度を定量化する。
第2に,PAWマップと核分割マスクの統合による生物学的特徴のインスタンス化手法を導入する。
これにより、組織の細胞組織に関連する生物学的に有意義な特徴を提供することにより、解釈性をさらに向上させ、既知の臨床特徴との比較を容易にする。
前立腺癌診断のためのPAWマップ(悪性組織を含むサンプル381/516の組織サンプル)と予後(手術後の生化学的再発患者からのサンプル98/663の組織サンプル)を、国際がんゲノムコンソーシアム(ICGC UK前立腺グループ)の患者のコホートで比較し、本手法の有用性について述べる。
以上の結果から,予後予測領域は腫瘍領域と共存しない傾向にあり,予後評価には非がん細胞も研究すべきであることが示唆された。
関連論文リスト
- Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。
また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文 参考訳(メタデータ) (2023-11-13T19:51:46Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳(メタデータ) (2023-10-10T14:37:17Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳(メタデータ) (2023-03-02T15:18:58Z) - Detecting Histologic & Clinical Glioblastoma Patterns of Prognostic
Relevance [6.281092892485014]
グリオ芽腫は中枢神経系で最も一般的で攻撃的な悪性成人腫瘍である。
18年前に現在の標準治療を採用して以降,実質的な予後改善は認められていない。
ここでは,H&E染色WSIとOSに関する臨床データから,予後関連特性の同定に焦点をあてる。
論文 参考訳(メタデータ) (2023-02-01T18:56:09Z) - Mixed Supervision of Histopathology Improves Prostate Cancer
Classification from MRI [0.9395521049323435]
MRIによる非侵襲的前立腺癌検出は、患者のケアに革命をもたらす可能性がある。
患者集団に適用可能な臨床上重要な前立腺癌を予測するためのMRIによる深達度学習法を提案する。
論文 参考訳(メタデータ) (2022-12-13T02:34:57Z) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳(メタデータ) (2022-09-27T14:08:19Z) - Weakly-supervised learning for image-based classification of primary
melanomas into genomic immune subgroups [1.4585861543119112]
我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。
我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
論文 参考訳(メタデータ) (2022-02-23T13:57:35Z) - 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) - Divide-and-Rule: Self-Supervised Learning for Survival Analysis in
Colorectal Cancer [9.431791041887957]
本稿では,組織領域の表現とクラスタリングのメトリクスを学習し,その基盤となるパターンを学習する自己教師型学習手法を提案する。
提案手法は, 患者結果予測の過度な適合を避けるために, 線形予測器の恩恵を受けることができることを示す。
論文 参考訳(メタデータ) (2020-07-07T09:15:36Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。