論文の概要: Predicting Ovarian Cancer Treatment Response in Histopathology using
Hierarchical Vision Transformers and Multiple Instance Learning
- arxiv url: http://arxiv.org/abs/2310.12866v1
- Date: Thu, 19 Oct 2023 16:16:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-20 14:13:09.575018
- Title: Predicting Ovarian Cancer Treatment Response in Histopathology using
Hierarchical Vision Transformers and Multiple Instance Learning
- Title(参考訳): 階層型視覚変換器と複数症例学習を用いた病理組織における卵巣癌治療反応の予測
- Authors: Jack Breen, Katie Allen, Kieran Zucker, Geoff Hall, Nishant Ravikumar,
Nicolas M. Orsi
- Abstract要約: 深層学習は、卵巣がん患者の治療が寛解に寄与するか、または疾患の進行を防ぐのに役立つかを予測するために用いられる。
提案手法では,階層型画像ピラミッド変換器 (HIPT) を用いて地域レベルの特徴を抽出し,特徴を集約し,スライド全体を分類するアテンションベースマルチインスタンス学習 (ABMIL) モデルを提案する。
卵巣癌WSIが治療反応を正確に予測できる情報を含んでいるかどうかはまだ明らかになっていない。
- 参考スコア(独自算出の注目度): 2.0661578265672094
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For many patients, current ovarian cancer treatments offer limited clinical
benefit. For some therapies, it is not possible to predict patients' responses,
potentially exposing them to the adverse effects of treatment without any
therapeutic benefit. As part of the automated prediction of treatment
effectiveness in ovarian cancer using histopathological images (ATEC23)
challenge, we evaluated the effectiveness of deep learning to predict whether a
course of treatment including the antiangiogenic drug bevacizumab could
contribute to remission or prevent disease progression for at least 6 months in
a set of 282 histopathology whole slide images (WSIs) from 78 ovarian cancer
patients. Our approach used a pretrained Hierarchical Image Pyramid Transformer
(HIPT) to extract region-level features and an attention-based multiple
instance learning (ABMIL) model to aggregate features and classify whole
slides. The optimal HIPT-ABMIL model had an internal balanced accuracy of 60.2%
+- 2.9% and an AUC of 0.646 +- 0.033. Histopathology-specific model pretraining
was found to be beneficial to classification performance, though hierarchical
transformers were not, with a ResNet feature extractor achieving similar
performance. Due to the dataset being small and highly heterogeneous,
performance was variable across 5-fold cross-validation folds, and there were
some extreme differences between validation and test set performance within
folds. The model did not generalise well to tissue microarrays, with accuracy
worse than random chance. It is not yet clear whether ovarian cancer WSIs
contain information that can be used to accurately predict treatment response,
with further validation using larger, higher-quality datasets required.
- Abstract(参考訳): 多くの患者にとって、現在の卵巣がん治療は限定的な臨床効果をもたらす。
一部の治療では、患者の反応を予測することはできず、治療上の利益なしに治療の副作用に曝される可能性がある。
病理組織学的画像(ATEC23)を用いた卵巣癌に対する治療効果の自動予測の一環として,78例の卵巣癌患者282例を対象に,抗血管新生薬ベヴァジズマブを含む治療コースが,少なくとも6カ月間,再発あるいは疾患進行の予防に寄与するか否かを,ディープラーニングの有効性を評価した。
提案手法では,階層型画像ピラミッド変換器 (HIPT) を用いて地域レベルの特徴を抽出し,特徴を集約し,スライド全体を分類するアテンションベースマルチインスタンス学習 (ABMIL) モデルを提案する。
最適HIPT-ABMILモデルは60.2%+-2.9%、AUCは0.646+-0.033である。
病理組織特異的モデルの事前訓練は分類性能に有益であることがわかったが、階層的トランスフォーマーは存在せず、resnet特徴抽出器も同様の性能を達成した。
データセットが小さく不均一であるため、パフォーマンスは5倍のクロスバリデーションフォールドで変化し、検証とテストセットのパフォーマンスには、フォールド内の極端な違いがあった。
このモデルは組織マイクロアレイにうまく一般化できず、ランダムな確率よりも精度が悪かった。
卵巣癌wsisが、治療反応を正確に予測するために使用できる情報を含んでいるかどうか、さらに大きな高品質なデータセットを使用して検証するかどうかはまだ不明である。
関連論文リスト
- Semi-supervised ViT knowledge distillation network with style transfer
normalization for colorectal liver metastases survival prediction [1.283897253352624]
本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。
まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。
転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
論文 参考訳(メタデータ) (2023-11-17T03:32:11Z) - Developing a Novel Image Marker to Predict the Responses of Neoadjuvant
Chemotherapy (NACT) for Ovarian Cancer Patients [1.8210053690503532]
本研究の目的は,NATの早期に高精度な応答予測を実現するために,新しい画像マーカーを開発することである。
まず, 腫瘍の特徴を定量化するために, 1373個の放射能の特徴を計算し, その特徴を幾何学的, 強度, テクスチャ的特徴の3つのカテゴリに分類した。
このクラスタを入力として使用し、最終マーカーを作成するためにSVMベースの分類器を開発し、NACT治療に反応する可能性を示した。
論文 参考訳(メタデータ) (2023-09-13T16:59:50Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Fully transformer-based biomarker prediction from colorectal cancer
histology: a large-scale multicentric study [1.0424274317527076]
ディープラーニングは、大腸癌の定期的な病態スライドから予測的および予後的バイオマーカーを抽出することができる。
トランスフォーマーネットワークはCNNよりも優れており、多くのアプリケーションで置き換えられているが、がんにおけるバイオマーカーの予測には使われていない。
本研究では,病的スライドからエンド・ツー・エンドのバイオマーカーを予測するための完全トランスフォーマーベースのパイプラインを開発した。
論文 参考訳(メタデータ) (2023-01-23T18:33:38Z) - Domain-specific transfer learning in the automated scoring of
tumor-stroma ratio from histopathological images of colorectal cancer [1.2264932946286657]
腫瘍-ストローマ比 (TSR) は多くの種類の固形腫瘍の予後因子である。
この方法は、大腸癌組織を分類するために訓練された畳み込みニューラルネットワークに基づいている。
論文 参考訳(メタデータ) (2022-12-30T12:27:27Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳(メタデータ) (2022-11-08T11:50:31Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳(メタデータ) (2022-02-17T08:33:52Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - 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) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳(メタデータ) (2021-02-10T15:10:37Z) - Applying a random projection algorithm to optimize machine learning
model for predicting peritoneal metastasis in gastric cancer patients using
CT images [0.3120960917423201]
手術前の癌転移のリスクを非侵襲的に予測することは、最適な治療方法を決定する上で重要な役割を担っている。
本研究では,小・不均衡の画像データセットを用いて最適な機械学習モデルを構築するための新しいアプローチについて検討する。
論文 参考訳(メタデータ) (2020-09-01T19:53:09Z)
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。