論文の概要: Primary liver cancer classification from routine tumour biopsy using weakly supervised deep learning

• arxiv url: http://arxiv.org/abs/2404.04983v1
• Date: Sun, 7 Apr 2024 15:03:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 16:22:29.678760
• Title: Primary liver cancer classification from routine tumour biopsy using weakly supervised deep learning
• Title（参考訳）: 弱い教師付き深層学習を用いた腫瘍生検からの原発性肝癌の分類
• Authors: Aurélie Beaufrère, Nora Ouzir, Paul Emile Zafar, Astrid Laurent-Bellue, Miguel Albuquerque, Gwladys Lubuela, Jules Grégory, Catherine Guettier, Kévin Mondet, Jean-Christophe Pesquet, Valérie Paradis,
• Abstract要約: 原発性肝癌(PLCs)の診断は、特に生検および併用胆管癌(cHCC-CCA)において困難である。 弱教師付き学習法を用いて, 常駐型生検で自動的にPLCを分類した。 弱腫瘍/非腫瘍アノテーションは、Resnet18ニューラルネットワークをトレーニングするためのラベルとして機能し、ネットワークの最後の畳み込み層は、新しい腫瘍タイルの特徴を抽出するために使用された。
• 参考スコア（独自算出の注目度）: 10.50491279664907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The diagnosis of primary liver cancers (PLCs) can be challenging, especially on biopsies and for combined hepatocellular-cholangiocarcinoma (cHCC-CCA). We automatically classified PLCs on routine-stained biopsies using a weakly supervised learning method. Weak tumour/non-tumour annotations served as labels for training a Resnet18 neural network, and the network's last convolutional layer was used to extract new tumour tile features. Without knowledge of the precise labels of the malignancies, we then applied an unsupervised clustering algorithm. Our model identified specific features of hepatocellular carcinoma (HCC) and intrahepatic cholangiocarcinoma (iCCA). Despite no specific features of cHCC-CCA being recognized, the identification of HCC and iCCA tiles within a slide could facilitate the diagnosis of primary liver cancers, particularly cHCC-CCA. Method and results: 166 PLC biopsies were divided into training, internal and external validation sets: 90, 29 and 47 samples. Two liver pathologists reviewed each whole-slide hematein eosin saffron (HES)-stained image (WSI). After annotating the tumour/non-tumour areas, 256x256 pixel tiles were extracted from the WSIs and used to train a ResNet18. The network was used to extract new tile features. An unsupervised clustering algorithm was then applied to the new tile features. In a two-cluster model, Clusters 0 and 1 contained mainly HCC and iCCA histological features. The diagnostic agreement between the pathological diagnosis and the model predictions in the internal and external validation sets was 100% (11/11) and 96% (25/26) for HCC and 78% (7/9) and 87% (13/15) for iCCA, respectively. For cHCC-CCA, we observed a highly variable proportion of tiles from each cluster (Cluster 0: 5-97%; Cluster 1: 2-94%).
• Abstract（参考訳）: 原発性肝癌(PLC)の診断は,特に生検および肝細胞胆管癌(cHCC-CCA)の合併で困難である。 弱教師付き学習法を用いて, 常駐型生検で自動的にPLCを分類した。 弱腫瘍/非腫瘍アノテーションは、Resnet18ニューラルネットワークをトレーニングするためのラベルとして機能し、ネットワークの最後の畳み込み層は、新しい腫瘍タイルの特徴を抽出するために使用された。 悪性腫瘍の正確なラベルの知識がなければ,教師なしクラスタリングアルゴリズムを適用した。 肝細胞癌 (HCC) と肝内胆管癌 (iCCA) の特異な特徴を同定した。 cHCC-CCAの特異な特徴は認められていないが、スライド内におけるHCCおよびiCCAタイルの同定は、原発性肝癌、特にcHCC-CCAの診断を促進する可能性がある。 方法と結果:166個のPLC生検をトレーニング,内部および外部のバリデーションセット,90,29,47のサンプルに分けた。 肝病理検査では, ヘマチン・エオシン・サフラン (HES) 染色画像 (WSI) について検討した。 腫瘍/非腫瘍領域に注釈を付けた後、256x256ピクセルのタイルがWSIから抽出され、ResNet18の訓練に使用された。 ネットワークは新しいタイルの特徴を抽出するために使われた。 その後、教師なしクラスタリングアルゴリズムが新しいタイル機能に適用された。 2クラスターモデルでは、クラスタ0と1が主にHCCとiCCAの組織学的特徴を含んでいた。 内的および外的検証セットにおける病理診断とモデル予測の一致は, 100% (11/11), 96% (25/26), 78% (7/9) および87% (13/15) であった。 cHCC-CCAでは,各クラスタから高い変動率のタイルが検出された(Cluster 0: 5-97%,Cluster 1: 2-94%)。

関連論文リスト

• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  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。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Addressing Uncertainty in Imbalanced Histopathology Image Classification of HER2 Breast Cancer: An interpretable Ensemble Approach with Threshold Filtered Single Instance Evaluation (SIE) [0.0]
  早期診断は、患者が効率的な治療決定を行うのを助けることで死亡率を軽減することができる。 HER2は乳癌の最も致命的な亜型である。 DenseNet201とXceptionは単一の分類器にまとめられた。
  論文  参考訳（メタデータ） (2023-08-01T19:44:31Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• 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)
• 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)
• Development and Evaluation of a Deep Neural Network for Histologic Classification of Renal Cell Carcinoma on Biopsy and Surgical Resection Slides [1.586625608934987]
  我々は,デジタル化された外科切除スライドと生検スライドを正確に分類できるディープニューラルネットワークモデルを開発した。 以上の結果から,異なるデータソースと標本タイプにまたがるアプローチの一般化可能性が高いことが示唆された。
  論文  参考訳（メタデータ） (2020-10-30T17:20:49Z)
• COVID-FACT: A Fully-Automated Capsule Network-based Framework for Identification of COVID-19 Cases from Chest CT scans [29.327290778950324]
  我々は「COVID-FACT」と呼ばれる新型コロナウイルス陽性症例の同定のための2段階完全自動化フレームワークを提案する。 COVID-FACTは感染したスライスを検出し、社内CTスキャンデータセットを使用して陽性のCOVID-19患者を特定する。 この実験に基づいて、COVID-FACTは90.82%の精度、94.55%の感度、86.04%の特異度、および0.98のエリアアンダー・ザ・カーブ(AUC)を達成できるが、監督やアノテーションははるかに少ない。
  論文  参考訳（メタデータ） (2020-10-30T03:30:22Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Deep Learning-based Computational Pathology Predicts Origins for Cancers of Unknown Primary [2.645435564532842]
  原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。 最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。 深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-24T17:59:36Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)

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。