論文の概要: Deep Learning Predicts Biomarker Status and Discovers Related
Histomorphology Characteristics for Low-Grade Glioma
- arxiv url: http://arxiv.org/abs/2310.07464v1
- Date: Wed, 11 Oct 2023 13:05:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-14 02:23:50.050829
- Title: Deep Learning Predicts Biomarker Status and Discovers Related
Histomorphology Characteristics for Low-Grade Glioma
- Title(参考訳): 深層学習による低重力グリオーマのバイオマーカー状態の予測と病理組織学的特徴の解明
- Authors: Zijie Fang, Yihan Liu, Yifeng Wang, Xiangyang Zhang, Yang Chen,
Changjing Cai, Yiyang Lin, Ying Han, Zhi Wang, Shan Zeng, Hong Shen, Jun Tan,
Yongbing Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 21.281553456323998
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Biomarker detection is an indispensable part in the diagnosis and treatment
of low-grade glioma (LGG). However, current LGG biomarker detection methods
rely on expensive and complex molecular genetic testing, for which
professionals are required to analyze the results, and intra-rater variability
is often reported. To overcome these challenges, we propose an interpretable
deep learning pipeline, a Multi-Biomarker Histomorphology Discoverer
(Multi-Beholder) model based on the multiple instance learning (MIL) framework,
to predict the status of five biomarkers in LGG using only hematoxylin and
eosin-stained whole slide images and slide-level biomarker status labels.
Specifically, by incorporating the one-class classification into the MIL
framework, accurate instance pseudo-labeling is realized for instance-level
supervision, which greatly complements the slide-level labels and improves the
biomarker prediction performance. Multi-Beholder demonstrates superior
prediction performance and generalizability for five LGG biomarkers
(AUROC=0.6469-0.9735) in two cohorts (n=607) with diverse races and scanning
protocols. Moreover, the excellent interpretability of Multi-Beholder allows
for discovering the quantitative and qualitative correlations between biomarker
status and histomorphology characteristics. Our pipeline not only provides a
novel approach for biomarker prediction, enhancing the applicability of
molecular treatments for LGG patients but also facilitates the discovery of new
mechanisms in molecular functionality and LGG progression.
- Abstract(参考訳): 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。
しかし、現在のlggバイオマーカー検出法は、プロが結果を分析するために必要となる高価な複雑な分子遺伝検査に依存しており、レート内変異が報告されることが多い。
これらの課題を克服するために,本研究では,マルチインスタンスラーニング(MIL)フレームワークに基づく解釈可能な深層学習パイプライン,マルチバイオマーカーヒストモルフォロジー発見者(Multi-Beholder)モデルを提案し,ヘマトキシリンとエオシンを含有した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のみを用いて,LGG内の5つのバイオマーカーの状態を予測する。
具体的には、一級分類をMILフレームワークに組み込むことで、スライドレベルのラベルを大いに補完し、バイオマーカー予測性能を向上させるインスタンスレベルの正確な擬似ラベルを実現する。
Multi-Beholderは5つのLGGバイオマーカー(AUROC=0.6469-0.9735)に対して、人種や走査プロトコルの異なる2つのコホート(n=607)において優れた予測性能と一般化性を示す。
さらに, バイオマーカーの状態と組織形態特性の定量的, 定性的な相関を見出すことができる。
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。
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) - Prompting Whole Slide Image Based Genetic Biomarker Prediction [13.764676578911526]
本稿では,全スライド画像(WSI)に基づく遺伝的バイオマーカー予測手法を提案する。
我々は、大きな言語モデルを利用して、遺伝バイオマーカーに関連する事例を抽出する際、先行知識となる医学的プロンプトを生成する。
腫瘍微小環境におけるバイオマーカー情報のマイニングには粗大なアプローチを採用する。
論文 参考訳(メタデータ) (2024-06-26T11:05:46Z) - MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳(メタデータ) (2024-06-12T15:22:56Z) - Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
$k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。
k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
論文 参考訳(メタデータ) (2023-12-15T14:04:23Z) - scBeacon: single-cell biomarker extraction via identifying paired cell
clusters across biological conditions with contrastive siamese networks [0.9591674293850556]
scBeaconは、深いコントラストのあるシアムネットワーク上に構築されたフレームワークである。
scBeaconは、様々な条件で一致した細胞集団を特定します。
包括的な評価は、既存の単細胞差分遺伝子解析ツールよりも scBeacon の方が優れていることを検証する。
論文 参考訳(メタデータ) (2023-11-05T08:27:24Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳(メタデータ) (2023-11-01T14:44:01Z) - 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) - Regression-based Deep-Learning predicts molecular biomarkers from
pathology slides [40.24757332810004]
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。
論文 参考訳(メタデータ) (2023-04-11T11:43:51Z) - Binary disease prediction using tail quantiles of the distribution of
continuous biomarkers [0.0]
二値性疾患の分類分析において、単一のバイオマーカーは有意な識別力を持たない可能性がある。
本稿では,複数の連続バイオマーカーの選択に基づく2値分類法であるquanttile based prediction (qbp)を提案する。
論文 参考訳(メタデータ) (2021-03-23T09:20:10Z) - 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。