論文の概要: From Whole-slide Image to Biomarker Prediction: A Protocol for
End-to-End Deep Learning in Computational Pathology
- arxiv url: http://arxiv.org/abs/2312.10944v1
- Date: Mon, 18 Dec 2023 05:46:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 21:16:48.981823
- Title: From Whole-slide Image to Biomarker Prediction: A Protocol for
End-to-End Deep Learning in Computational Pathology
- Title（参考訳）: 全スライダー画像からバイオマーカー予測へ:計算病理学におけるエンド・ツー・エンド深層学習プロトコル
- Authors: Omar S. M. El Nahhas, Marko van Treeck, Georg W\"olflein, Michaela
Unger, Marta Ligero, Tim Lenz, Sophia J. Wagner, Katherine J. Hewitt, Firas
Khader, Sebastian Foersch, Daniel Truhn, Jakob Nikolas Kather
- Abstract要約: 本プロトコルは, 病理組織における固形腫瘍連想モデル(STAMP)の実践的ワークフローを記述する。
STAMPワークフローはバイオマーカー非依存であり、遺伝子および臨床病理学的表層データを追加入力として含めることができる。
このプロトコルは5つの主要な段階から構成されており、様々な研究課題にうまく適用されている。
- 参考スコア（独自算出の注目度）: 0.725241982525598
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hematoxylin- and eosin (H&E) stained whole-slide images (WSIs) are the
foundation of diagnosis of cancer. In recent years, development of deep
learning-based methods in computational pathology enabled the prediction of
biomarkers directly from WSIs. However, accurately linking tissue phenotype to
biomarkers at scale remains a crucial challenge for democratizing complex
biomarkers in precision oncology. This protocol describes a practical workflow
for solid tumor associative modeling in pathology (STAMP), enabling prediction
of biomarkers directly from WSIs using deep learning. The STAMP workflow is
biomarker agnostic and allows for genetic- and clinicopathologic tabular data
to be included as an additional input, together with histopathology images. The
protocol consists of five main stages which have been successfully applied to
various research problems: formal problem definition, data preprocessing,
modeling, evaluation and clinical translation. The STAMP workflow
differentiates itself through its focus on serving as a collaborative framework
that can be used by clinicians and engineers alike for setting up research
projects in the field of computational pathology. As an example task, we
applied STAMP to the prediction of microsatellite instability (MSI) status in
colorectal cancer, showing accurate performance for the identification of
MSI-high tumors. Moreover, we provide an open-source codebase which has been
deployed at several hospitals across the globe to set up computational
pathology workflows. The STAMP workflow requires one workday of hands-on
computational execution and basic command line knowledge.
- Abstract（参考訳）: Hematoxylin- and eosin (H&E) stained whole-slide image (WSIs) は癌の診断の基礎である。
近年,計算病理学における深層学習に基づく手法の開発により,WSIから直接バイオマーカーの予測が可能となった。
しかし、組織表現型とバイオマーカーを大規模に正確に結びつけることは、複雑なバイオマーカーを精密腫瘍学で民主化する上で重要な課題である。
本プロトコルは, 病理学における固形腫瘍連想モデル(STAMP)の実践的ワークフローを記述し, 深層学習を用いてWSIから直接バイオマーカーの予測を可能にする。
STAMPワークフローはバイオマーカー非依存であり、遺伝子および臨床病理学的表層データを、病理画像とともに追加入力として含めることができる。
このプロトコルは、形式的問題定義、データ前処理、モデリング、評価、臨床翻訳という、様々な研究課題にうまく適用された5つの主要な段階から構成されている。
stamp workflowは、臨床医やエンジニアが計算病理学の分野で研究プロジェクトをセットアップするために使用できる協調的なフレームワークとして機能することに焦点を当てている点を差別化している。
症例として, 大腸癌におけるマイクロサテライト不安定性(MSI)の予測にSTAMPを適用し, MSI高腫瘍の同定精度を示した。
さらに,計算病理ワークフローをセットアップするために,世界中の病院にデプロイされたオープンソースのコードベースも提供している。
STAMPワークフローには、1日分の計算実行と基本的なコマンドライン知識が必要である。
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) - CryoFM: A Flow-based Foundation Model for Cryo-EM Densities [50.291974465864364]
生成モデルとして設計された基礎モデルであるCryoFMについて,高品質密度マップの分布を学習する。
フローマッチングに基づいて構築されたCryoFMは、生物分子密度マップの以前の分布を正確に捉えるために訓練されている。
論文 参考訳（メタデータ） (2024-10-11T08:53:58Z) - BioMNER: A Dataset for Biomedical Method Entity Recognition [25.403593761614424]
本稿では,生物医学的手法による実体認識のための新しいデータセットを提案する。
我々は、人間のアノテーションを支援するために、自動的なBioMethodエンティティ認識と情報検索システムを採用している。
実験の結果,言語モデルのパラメータ数が大きくなると,実体抽出パターンの有効同化が著しく阻害されることが判明した。
論文 参考訳（メタデータ） (2024-06-28T16:34:24Z) - WEEP: A method for spatial interpretation of weakly supervised CNN models in computational pathology [0.36096289461554343]
モデル解釈のための新しい方法 Wsi rEgion sElection aPproach (WEEP) を提案する。
乳がん計算病理領域における二分分類課題におけるWEEPについて検討した。
論文 参考訳（メタデータ） (2024-03-22T14:32:02Z) - HistGen: Histopathology Report Generation via Local-Global Feature Encoding and Cross-modal Context Interaction [16.060286162384536]
HistGenは、病理組織学レポート生成のための学習可能なフレームワークである。
スライド画像全体(WSI)と局所的およびグローバルな粒度からの診断レポートを整列させることで、レポート生成を促進することを目的としている。
WSIレポート生成実験の結果,提案手法は最先端モデル(SOTA)よりも大きなマージンで優れていた。
論文 参考訳（メタデータ） (2024-03-08T15:51:43Z) - Deep learning-based instance segmentation for the precise automated
quantification of digital breast cancer immunohistochemistry images [1.8434042562191815]
深層学習に基づくインスタンスセグメンテーションアーキテクチャを用いて,IHCスライスに適用した核バイオマーカーと膜バイオマーカーの自動定量化の実現可能性を示した。
HE, ER, Ki-67 (核バイオマーカー) およびHER2 (膜バイオマーカー) IHC-stained image を用いてアノテーションを収集した。
我々は、2つのモデル(いわゆる核・膜認識セグメンテーションモデル)を訓練した。
論文 参考訳（メタデータ） (2023-11-22T22:23:47Z) - BiomedGPT: A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks [68.39821375903591]
汎用AIは、さまざまなデータ型を解釈する汎用性のために、制限に対処する可能性を秘めている。
本稿では,最初のオープンソースかつ軽量な視覚言語基盤モデルであるBiomedGPTを提案する。
論文 参考訳（メタデータ） (2023-05-26T17:14:43Z) - SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for
prior-informed assessment of muscle function and pathology [48.54269377408277]
本稿では,仮説駆動型先行処理をデータ駆動型ディープラーニングアプローチに統合した,SEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を紹介する。
SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。
SEMPAIは、少ないデータを含む7つの予測タスクのうち6つにおいて、最先端のバイオマーカーよりも優れています。
論文 参考訳（メタデータ） (2022-10-28T17:03:04Z) - 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) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - 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。