論文の概要: Semi-supervised ViT knowledge distillation network with style transfer
normalization for colorectal liver metastases survival prediction
- arxiv url: http://arxiv.org/abs/2311.10305v1
- Date: Fri, 17 Nov 2023 03:32:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 15:02:29.414295
- Title: Semi-supervised ViT knowledge distillation network with style transfer
normalization for colorectal liver metastases survival prediction
- Title（参考訳）: 大腸癌肝転移生存予測のためのスタイル移行正規化型vit知識蒸留ネットワーク
- Authors: Mohamed El Amine Elforaici, Emmanuel Montagnon, Francisco Perdigon
Romero, William Trung Le, Feryel Azzi, Dominique Trudel, Bich Nguyen, Simon
Turcotte, An Tang, Samuel Kadoury
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.283897253352624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Colorectal liver metastases (CLM) significantly impact colon cancer patients,
influencing survival based on systemic chemotherapy response. Traditional
methods like tumor grading scores (e.g., tumor regression grade - TRG) for
prognosis suffer from subjectivity, time constraints, and expertise demands.
Current machine learning approaches often focus on radiological data, yet the
relevance of histological images for survival predictions, capturing intricate
tumor microenvironment characteristics, is gaining recognition. To address
these limitations, we propose an end-to-end approach for automated prognosis
prediction using histology slides stained with H&E and HPS. We first employ a
Generative Adversarial Network (GAN) for slide normalization to reduce staining
variations and improve the overall quality of the images that are used as input
to our prediction pipeline. We propose a semi-supervised model to perform
tissue classification from sparse annotations, producing feature maps. We use
an attention-based approach that weighs the importance of different slide
regions in producing the final classification results. We exploit the extracted
features for the metastatic nodules and surrounding tissue to train a prognosis
model. In parallel, we train a vision Transformer (ViT) in a knowledge
distillation framework to replicate and enhance the performance of the
prognosis prediction. In our evaluation on a clinical dataset of 258 patients,
our approach demonstrates superior performance with c-indexes of 0.804 (0.014)
for OS and 0.733 (0.014) for TTR. Achieving 86.9% to 90.3% accuracy in
predicting TRG dichotomization and 78.5% to 82.1% accuracy for the 3-class TRG
classification task, our approach outperforms comparative methods. Our proposed
pipeline can provide automated prognosis for pathologists and oncologists, and
can greatly promote precision medicine progress in managing CLM patients.
- Abstract（参考訳）: 大腸癌肝転移(CLM)は大腸癌患者に大きく影響し,全身化学療法反応に基づいて生存に影響を与える。
診断のための腫瘍グレーティングスコア(例:腫瘍退縮度 - TRG)のような従来の方法は、主観性、時間的制約、専門的要求に悩まされている。
現在の機械学習のアプローチは、しばしば放射線データに焦点を当てているが、組織学的画像が生存予測に関連し、複雑な腫瘍の微小環境特性を捉えることが認識されている。
これらの制約に対処するため,H&EおよびHPSで染色した組織学的スライスを用いた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,slide正規化にgenerative adversarial network(gan)を用い,染色の変動を低減し,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。
スパースアノテーションから組織分類を行い,特徴マップを作成する半教師付きモデルを提案する。
我々は,最終分類結果の作成において,異なるスライド領域の重要性を重んじる注意に基づくアプローチを用いる。
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た。
並行してヴィジュアルトランスフォーマ(vit)を知識蒸留フレームワークで訓練し,予後予測の性能を再現し,向上させる。
臨床データ258例について,OSは0.804(0.014),TTRは0.733(0.014)と優れた成績を示した。
3クラスtrg分類タスクで86.9%から90.3%の精度を達成し,78.5%から82.1%の精度を得た。
提案するパイプラインは,病理医や腫瘍学者に自動予後を提供することができ,CLM患者管理における精密医療の進歩を大いに促進することができる。
関連論文リスト
- Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - ReCAP: Recursive Cross Attention Network for Pseudo-Label Generation in Robotic Surgical Skill Assessment [40.09498356923132]
外科的スキル評価において、OATS(Objective Assessments of Technical Skills)とGRS(Global Rating Scale)は、訓練中の外科医を評価するための確立されたツールである。
最近の研究は、運動データ、ビデオ、またはそれらの組み合わせからGRSスコアを回帰することに焦点を当てている。
我々は,OSATSのスコアを集計し,外科的臨床試験において臨床的に有意な変動を見落としているため,GRSのみの回帰は限界であると主張している。
論文 参考訳（メタデータ） (2024-04-22T10:33:06Z) - Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。
医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。
本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
論文 参考訳（メタデータ） (2024-04-11T21:47:13Z) - Parameter-Efficient Methods for Metastases Detection from Clinical Notes [19.540079966780954]
本研究の目的は,CT(Free-style Computed Tomography)ラジオグラフィーによる転移性肝疾患の検出を自動化することである。
本研究は,3つのアプローチを用いて知識を伝達することで,モデルの性能を向上させることを実証する。
論文 参考訳（メタデータ） (2023-10-27T20:30:59Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - 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) - Recurrence-free Survival Prediction under the Guidance of Automatic
Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。
腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
論文 参考訳（メタデータ） (2022-09-22T18:44:57Z) - 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) - Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。
本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
論文 参考訳（メタデータ） (2020-06-28T19:55:34Z)
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。