論文の概要: Histopathology Foundation Models Enable Accurate Ovarian Cancer Subtype Classification

• arxiv url: http://arxiv.org/abs/2405.09990v1
• Date: Thu, 16 May 2024 11:21:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-17 14:31:57.691934
• Title: Histopathology Foundation Models Enable Accurate Ovarian Cancer Subtype Classification
• Title（参考訳）: 正確な卵巣癌亜型分類を可能にする病理組織学的基盤モデル
• Authors: Jack Breen, Katie Allen, Kieran Zucker, Lucy Godson, Nicolas M. Orsi, Nishant Ravikumar,
• Abstract要約: 病理組織学的基盤モデルに基づく最も厳格なシングルタスク検証を報告する。 病理学の基礎モデルは、サブタイプに対する客観性の度合いを提供し、分類性能を向上させる。 このようなモデルは、挑戦的なケースで意見を提供し、病理診断の精度と効率を向上させる可能性がある。
• 参考スコア（独自算出の注目度）: 1.9499122087408571
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large pretrained transformers are increasingly being developed as generalised foundation models which can underpin powerful task-specific artificial intelligence models. Histopathology foundation models show promise across many tasks, but analyses have been limited by arbitrary hyperparameters that were not tuned to the specific task/dataset. We report the most rigorous single-task validation conducted to date of a histopathology foundation model, and the first performed in ovarian cancer subtyping. Attention-based multiple instance learning classifiers were compared using vision transformer and ResNet features generated through varied preprocessing and pretraining procedures. The training set consisted of 1864 whole slide images from 434 ovarian carcinoma cases at Leeds Hospitals. Five-class classification performance was evaluated through five-fold cross-validation, and these cross-validation models were ensembled for evaluation on a hold-out test set and an external set from the Transcanadian study. Reporting followed the TRIPOD+AI checklist. The vision transformer-based histopathology foundation model, UNI, performed best in every evaluation, with five-class balanced accuracies of 88% and 93% in hold-out internal and external testing, compared to the best ResNet model scores of 68% and 81%, respectively. Normalisations and augmentations aided the generalisability of ResNet-based models, but these still did not match the performance of UNI, which gave the best external performance in any ovarian cancer subtyping study to date. Histopathology foundation models offer a clear benefit to subtyping, improving classification performance to a degree where clinical utility is tangible, albeit with an increased computational burden. Such models could provide a second opinion in challenging cases and may improve the accuracy, objectivity, and efficiency of pathological diagnoses overall.
• Abstract（参考訳）: 大規模事前学習型トランスフォーマーは、強力なタスク固有の人工知能モデルを基盤とする一般化基盤モデルとして、ますます発展しつつある。 病理組織学の基礎モデルは多くのタスクにまたがる約束を示すが、分析は特定のタスク/データセットに調整されていない任意のハイパーパラメータによって制限されている。 病理組織学的基盤モデルが施行された最も厳格なシングルタスク検証を報告する。 アテンションベースの複数インスタンス学習分類器を視覚変換器とResNetの機能を用いて比較した。 トレーニングセットはLeeds Hospitalsの卵巣癌434例の1864枚の全スライド画像で構成された。 5次クロスバリデーションにより5クラス分類性能を評価し, これらのクロスバリデーションモデルは, ホールドアウトテストセットとトランスカナディアンの外部セットで評価するために組み合わされた。 TRIPOD+AIチェックリストに続くレポート。 The vision transformer-based histopathology foundation model, UNIは、それぞれ68%と81%の最高のResNetモデルスコアと比較すると、内部および外部テストにおいて5クラスのアキュラシーが88%と93%で、すべての評価において最高の成績を示した。 正常化と拡張は、ResNetベースのモデルの一般化に役立ったが、これらのモデルはまだ、卵巣がんのサブタイプ研究において最高の外的パフォーマンスを与えるUNIのパフォーマンスと一致しなかった。 病理組織学的基盤モデルは、計算負担が増大するにもかかわらず、臨床的有用性が明確である程度に分類性能を向上させることで、サブタイピングの明確な利点を提供する。 このようなモデルは、挑戦的なケースにおいて第2の意見を与え、全体的な病理診断の正確性、客観性、効率を改善する可能性がある。

関連論文リスト

• Exploring Foundation Models Fine-Tuning for Cytology Classification [0.10555513406636088]
  既存の基盤モデルが細胞学的分類にどのように適用できるかを示す。 4つの細胞分類データセットにまたがる5つの基盤モデルを評価する。 以上の結果から,LoRAによる事前学習したバックボーンの微調整により,モデル性能が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2024-11-22T14:34:04Z)
• Comparative Analysis of Transfer Learning Models for Breast Cancer Classification [10.677937909900486]
  本研究は, 病理組織学的スライドにおいて, 浸潤性直腸癌 (IDC) と非IDCを区別する深層学習モデルの効率について検討した。 ResNet-50, DenseNet-121, ResNeXt-50, Vision Transformer (ViT), GoogLeNet (Inception v3), EfficientNet, MobileNet, SqueezeNet。
  論文  参考訳（メタデータ） (2024-08-29T18:49:32Z)
• Benchmarking foundation models as feature extractors for weakly-supervised computational pathology [0.6151041580858937]
  肺・大腸癌・胃癌・乳癌の13例を対象に, 病理組織学的基盤モデルを10例, 6,791例, 9,493例に比較検討した。 視覚言語基礎モデルであるCONCHは,視覚のみの基礎モデルと比較して,タスクの42%で最高の性能を示した。
  論文  参考訳（メタデータ） (2024-08-28T14:34:45Z)
• Comparative Performance Analysis of Transformer-Based Pre-Trained Models for Detecting Keratoconus Disease [0.0]
  本研究は、変性眼疾患である角膜症(keratoconus)の診断のために、訓練済みの8つのCNNを比較した。 MobileNetV2は角膜と正常な症例を誤分類の少ない場合に最も正確なモデルであった。
  論文  参考訳（メタデータ） (2024-08-16T20:15:24Z)
• Multi-Resolution Histopathology Patch Graphs for Ovarian Cancer Subtyping [2.0661578265672094]
  マルチレゾリューショングラフモデルは、パッチの空間的関係を複数の倍率で利用し、各パッチのコンテキストを学習する。 卵巣癌に対するグラフモデルの最も徹底的な検証を行う。 基礎モデルとマルチレゾリューショングラフネットワークの組み合わせの精度は、これらのモデルの臨床的適用性への一歩となる。
  論文  参考訳（メタデータ） (2024-07-25T15:08:54Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Multi-Domain Balanced Sampling Improves Out-of-Distribution Generalization of Chest X-ray Pathology Prediction Models [67.2867506736665]
  そこで本研究では, 簡単なバッチサンプリング手法を用いた胸部X線像の分布外一般化法を提案する。 複数のトレーニングデータセット間のバランスの取れたサンプリングは、バランスを取らずにトレーニングされたベースラインモデルよりもパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2021-12-27T15:28:01Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。