論文の概要: Machine learning-based analysis of glioma tissue sections: a review
- arxiv url: http://arxiv.org/abs/2401.15022v1
- Date: Fri, 26 Jan 2024 17:29:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 14:29:32.332349
- Title: Machine learning-based analysis of glioma tissue sections: a review
- Title(参考訳): グリオーマ組織切片の機械学習による解析
- Authors: Jan-Philipp Redlich, Friedrich Feuerhake, Joachim Weis, Nadine S.
Schaadt, Sarah Teuber-Hanselmann, Christoph Buck, Sabine Luttmann, Andrea
Eberle, Stefan Nikolin, Arno Appenzeller, Andreas Portmann, Andr\'e Homeyer
- Abstract要約: 機械学習技術を用いたグリオーマ組織の組織学的評価は、診断と予後予測を支援する新しい機会を提供する。
本総説では, 染色ヒトグリオーマ組織断面の機械学習による解析に関する70の公開研究について検討する。
- 参考スコア(独自算出の注目度): 0.34913333165252225
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, the diagnosis of gliomas has become increasingly complex.
Histological assessment of glioma tissue using modern machine learning
techniques offers new opportunities to support diagnosis and outcome
prediction. To give an overview of the current state of research, this review
examines 70 publicly available research studies on machine learning-based
analysis of stained human glioma tissue sections, covering the diagnostic tasks
of subtyping (16/70), grading (23/70), molecular marker prediction (13/70), and
survival prediction (27/70). All studies were reviewed with regard to
methodological aspects as well as clinical applicability. It was found that the
focus of current research is the assessment of hematoxylin and eosin-stained
tissue sections of adult-type diffuse gliomas. The majority of studies (49/70)
are based on the publicly available glioblastoma and low-grade glioma datasets
from The Cancer Genome Atlas (TCGA) and only a few studies employed other
datasets in isolation (10/70) or in addition to the TCGA datasets (11/70).
Current approaches mostly rely on convolutional neural networks (53/70) for
analyzing tissue at 20x magnification (30/70). A new field of research is the
integration of clinical data, omics data, or magnetic resonance imaging
(27/70). So far, machine learning-based methods have achieved promising
results, but are not yet used in real clinical settings. Future work should
focus on the independent validation of methods on larger, multi-site datasets
with high-quality and up-to-date clinical and molecular pathology annotations
to demonstrate routine applicability.
- Abstract(参考訳): 近年,グリオーマの診断が複雑化している。
現代の機械学習技術を用いたグリオーマ組織の組織学的評価は、診断と予後予測を支援する新しい機会を提供する。
研究の現状を概観するため,本論文では,ヒトグリオーマの染色部を機械学習で解析した70の研究成果について検討し,サブタイプ(16/70),グレーディング(23/70),分子マーカー予測(13/70),生存予測(27/70)の診断課題について検討した。
すべての研究は, 方法論的側面と臨床応用性について検討した。
本研究は成人型びまん性グリオーマのヘマトキシリンおよびエオシン染色組織断面の評価に焦点が当てられた。
大部分の研究(49/70)は、がんゲノムアトラス (tcga) から入手可能なグリオブラスト腫と低グレードグリオーマデータセットに基づいており、他のデータセット (10/70) やtcgaデータセット (11/70) に加えて採用されている研究はごくわずかである。
現在のアプローチは主に畳み込みニューラルネットワーク(53/70)を使用して、20倍の倍率(30/70)で組織を分析する。
新しい研究分野は臨床データ、omicsデータ、磁気共鳴イメージング(27/70)の統合である。
これまでのところ、機械学習ベースの手法は有望な成果を上げているが、実際の臨床環境ではまだ使われていない。
将来の研究は、日常的な適用可能性を示すために、高品質で最新の臨床および分子病理アノテーションを備えた大規模マルチサイトデータセットのメソッドの独立した検証に焦点を当てるべきである。
関連論文リスト
- Prognosis of COVID-19 using Artificial Intelligence: A Systematic Review and Meta-analysis [0.23221087157793407]
この研究は、新型コロナウイルスの予後のためのAIの使用に関する論文を同定し、評価し、合成する。
例えば、Siamenseモデル、サポートベクターマシン、ランダムフォレスト、eXtreme Gradient Boosting、畳み込みニューラルネットワークなどである。
その結果, 死亡率71%, 88%, 67%の感度, 重症度評価, 換気の必要性が確認された。
論文 参考訳(メタデータ) (2024-08-01T00:33:32Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳(メタデータ) (2024-05-21T06:44:40Z) - Multiple Instance Learning for Glioma Diagnosis using Hematoxylin and
Eosin Whole Slide Images: An Indian Cohort Study [31.789472128764036]
本研究は, 厳密な複数事例学習実験から得られた知見をもとに, 患者ケアを推し進めるものである。
複数のデータセットにまたがるグリオーマサブタイプ分類において、新しいパフォーマンスベンチマークを確立する。
論文 参考訳(メタデータ) (2024-02-24T14:59:19Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳(メタデータ) (2023-11-28T09:14:55Z) - Ovarian Cancer Data Analysis using Deep Learning: A Systematic Review
from the Perspectives of Key Features of Data Analysis and AI Assurance [0.0]
機械学習(ML/DL)ベースの自律データ分析ツールは、臨床医やがん研究者が複雑なデータセットからパターンや関係を発見するのを助ける。
卵巣癌(OC)データに関する多くのDLベース分析が最近公表されている。
しかし、これらの特徴とAI保証(AIA)の観点から、これらの分析の包括的な理解は、現在不足している。
論文 参考訳(メタデータ) (2023-11-20T17:17:29Z) - Artificial Intelligence in Ovarian Cancer Histopathology: A Systematic
Review [1.832300121391956]
方法: PubMed, Scopus, Web of Science, CENTRAL, WHO-ICTRPの検索を行った。
PROBASTを用いてバイアスのリスクを評価した。
37の診断モデル、22の予後モデル、21の診断関連結果を含む80の関心モデルがあった。
すべてのモデルが全体として偏見のリスクが高いか、あるいは不明確であることが判明し、ほとんどの研究は分析において偏見のリスクが高いことが判明した。
論文 参考訳(メタデータ) (2023-03-31T12:26:29Z) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳(メタデータ) (2023-03-23T18:50:18Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳(メタデータ) (2022-04-22T17:27:00Z) - Feature Fusion of Raman Chemical Imaging and Digital Histopathology
using Machine Learning for Prostate Cancer Detection [0.0]
本研究は, 染色デジタル組織学 (DP) と非定常ラマンケミカルイメージング (RCI) によるマルチモーダル画像を用いた。
この仮説は、マルチモーダル画像モデルが診断精度の点で単一のモダリティベースラインモデルより優れているかどうかを検証した。
論文 参考訳(メタデータ) (2021-01-18T22:11:42Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳(メタデータ) (2020-04-21T17:07:18Z)
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。