論文の概要: CIMIL-CRC: a clinically-informed multiple instance learning framework
for patient-level colorectal cancer molecular subtypes classification from
H\&E stained images
- arxiv url: http://arxiv.org/abs/2401.16131v1
- Date: Mon, 29 Jan 2024 12:56:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 14:53:21.819296
- Title: CIMIL-CRC: a clinically-informed multiple instance learning framework
for patient-level colorectal cancer molecular subtypes classification from
H\&E stained images
- Title(参考訳): CIMIL-CRC : H&E染色画像からの大腸癌分子サブタイプ分類のための臨床応用多段階学習フレームワーク
- Authors: Hadar Hezi, Matan Gelber, Alexander Balabanov, Yosef E. Maruvka, Moti
Freiman
- Abstract要約: CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
- 参考スコア(独自算出の注目度): 45.32169712547367
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Treatment approaches for colorectal cancer (CRC) are highly dependent on the
molecular subtype, as immunotherapy has shown efficacy in cases with
microsatellite instability (MSI) but is ineffective for the microsatellite
stable (MSS) subtype. There is promising potential in utilizing deep neural
networks (DNNs) to automate the differentiation of CRC subtypes by analyzing
Hematoxylin and Eosin (H\&E) stained whole-slide images (WSIs). Due to the
extensive size of WSIs, Multiple Instance Learning (MIL) techniques are
typically explored. However, existing MIL methods focus on identifying the most
representative image patches for classification, which may result in the loss
of critical information. Additionally, these methods often overlook clinically
relevant information, like the tendency for MSI class tumors to predominantly
occur on the proximal (right side) colon. We introduce `CIMIL-CRC', a DNN
framework that: 1) solves the MSI/MSS MIL problem by efficiently combining a
pre-trained feature extraction model with principal component analysis (PCA) to
aggregate information from all patches, and 2) integrates clinical priors,
particularly the tumor location within the colon, into the model to enhance
patient-level classification accuracy. We assessed our CIMIL-CRC method using
the average area under the curve (AUC) from a 5-fold cross-validation
experimental setup for model development on the TCGA-CRC-DX cohort, contrasting
it with a baseline patch-level classification, MIL-only approach, and
Clinically-informed patch-level classification approach. Our CIMIL-CRC
outperformed all methods (AUROC: $0.92\pm0.002$ (95\% CI 0.91-0.92), vs.
$0.79\pm0.02$ (95\% CI 0.76-0.82), $0.86\pm0.01$ (95\% CI 0.85-0.88), and
$0.87\pm0.01$ (95\% CI 0.86-0.88), respectively). The improvement was
statistically significant.
- Abstract(参考訳): 大腸癌に対する治療アプローチは、免疫療法がマイクロサテライト不安定症 (msi) 患者に有効であるが、マイクロサテライト安定型 (mss) サブタイプには効果がないため、分子サブタイプに大きく依存している。
ディープニューラルネットワーク(DNN)を利用して、ヘマトキシリンとエオシン(H\&E)染色スライディング画像(WSI)を分析してCRCサブタイプの分化を自動化することは有望である。
WSIsの規模が広いため、MIL(Multiple Instance Learning)技術は一般的に研究されている。
しかし、既存のmil法は分類のための最も代表的な画像パッチを特定することに焦点を当てており、重要な情報を失う可能性がある。
さらに、msiクラス腫瘍が近位(右側)結腸で主に発生する傾向など、臨床的に関連のある情報を見落としていることが多い。
DNNフレームワークである 'CIMIL-CRC' を紹介します。
1) 事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することでMSI/MSS MIL問題を解決する。
2) 患者レベルの分類精度を高めるために, 臨床症状, 特に結腸内の腫瘍位置をモデルに統合する。
我々は,TCGA-CRC-DXコホートにおけるモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法を評価し,ベースラインパッチレベル分類,MILのみアプローチ,臨床インフォームパッチレベル分類アプローチと対比した。
私たちのCIMIL-CRCは、すべてのメソッド(AUROC: $0.92\pm0.002$ (95\% CI 0.91-0.92)、 vs. $0.79\pm0.02$ (95\% CI 0.76-0.82)、$0.86\pm0.01$ (95\% CI 0.85-0.88)、$0.87\pm0.01$ (95\% CI 0.86-0.88))を上回りました。
改善は統計的に有意であった。
関連論文リスト
- Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive
Learning [19.948079693716075]
提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。
77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
論文 参考訳(メタデータ) (2024-01-25T20:03:57Z) - 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) - CAMIL: Context-Aware Multiple Instance Learning for Cancer Detection and
Subtyping in Whole Slide Images [0.0]
がん診断のためのコンテキスト認識型マルチインスタンス学習(CAMIL)アーキテクチャを提案する。
CAMILは、隣接する制約のある注意を取り入れ、WSI(Whole Slide Images)内のタイル間の依存関係を考慮し、MILモデルに事前知識としてコンテキスト制約を統合する。
CAMILは非小細胞肺癌 (TCGA-NSCLC) とリンパ節転移を認め, それぞれ0.959%, 0.975%であった。
論文 参考訳(メタデータ) (2023-05-09T10:06:37Z) - Exploring the Interplay Between Colorectal Cancer Subtypes Genomic
Variants and Cellular Morphology: A Deep-Learning Approach [4.374837991804085]
CRCサブタイプ分類のためのCNNモデルを訓練し、CRCサブタイプ内のゲノム変異とそれに対応する細胞形態パターンとの潜在的な相関について検討した。
CRCサブタイプ分類の精度を評価することにより,CRCサブタイプのゲノム変異と細胞形態パターンとの相互作用を評価した。
論文 参考訳(メタデータ) (2023-03-26T12:13:29Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳(メタデータ) (2023-03-03T12:05:41Z) - Efficient subtyping of ovarian cancer histopathology whole slide images
using active sampling in multiple instance learning [2.038893829552157]
マルチインスタンス学習のための識別領域アクティブサンプリング (DRAS-MIL) は、注意スコアを用いて、高度に識別された領域のサンプリングに焦点を合わせ、計算的に効率的なスライド分類法である。
DRAS-MILは,3倍のクロスバリデーションAUCの0.8679で,全スライド解析と同様の分類性能が得られることを示す。
当社のアプローチでは、GPUで評価する時間の33%を要し、CPUだけで14%しか使用していません。
論文 参考訳(メタデータ) (2023-02-17T13:28:06Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - 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) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳(メタデータ) (2021-09-14T09:42:37Z) - TransMIL: Transformer based Correlated Multiple Instance Learning for
Whole Slide Image Classication [38.58585442160062]
マルチプル・インスタンス・ラーニング(MIL)は、スライド画像全体(WSI)に基づく病理診断において、弱い教師付き分類を解決する強力なツールである。
我々は、相関MILと呼ばれる新しいフレームワークを提案し、収束の証明を提供した。
我々は3つの異なる計算病理問題に対する様々な実験を行い、最先端の手法と比較してより優れた性能と高速な収束を実現した。
論文 参考訳(メタデータ) (2021-06-02T02:57:54Z)
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。