Fugu-MT 論文翻訳(概要): Beyond attention: deriving biologically interpretable insights from weakly-supervised multiple-instance learning models

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

Towards a Comprehensive Benchmark for Pathological Lymph Node Metastasis in Breast Cancer Sections [21.75452517154339]
我々は1,399枚のスライド画像(WSI)と、Camelyon-16とCamelyon-17データセットのラベルを再処理した。再発腫瘍領域の大きさから,2重複癌検診を4段階に改善した。
論文参考訳（メタデータ） (2024-11-16T09:19:24Z)
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)
TopOC: Topological Deep Learning for Ovarian and Breast Cancer Diagnosis [3.262230127283452]
トポロジカルデータ分析は、異なる色チャネルにわたるトポロジカルパターンの評価を通じて重要な情報を抽出することで、ユニークなアプローチを提供する。卵巣癌と乳癌では, トポロジカルな特徴を取り入れることで, 腫瘍型の分化が著しく向上することが示唆された。
論文参考訳（メタデータ） (2024-10-13T12:24:13Z)
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)
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。