Fugu-MT 論文翻訳(概要): Automated Immunophenotyping Assessment for Diagnosing Childhood Acute Leukemia using Set-Transformers

論文の概要: Automated Immunophenotyping Assessment for Diagnosing Childhood Acute Leukemia using Set-Transformers

arxiv url: http://arxiv.org/abs/2406.18309v1
Date: Wed, 26 Jun 2024 12:50:07 GMT
ステータス: 処理完了
システム内更新日: 2024-06-27 13:29:21.768027
Title: Automated Immunophenotyping Assessment for Diagnosing Childhood Acute Leukemia using Set-Transformers
Title（参考訳）: 小児急性白血病診断のためのセットトランスフォーマーを用いた自動免疫フェノタイピング評価
Authors: Elpiniki Maria Lygizou, Michael Reiter, Margarita Maurer-Granofszky, Michael Dworzak, Radu Grosu,
Abstract要約: 本稿では,小児急性白血病における免疫フェノタイピング評価の自動化を目的として,機械学習による自己注意型FCM診断ツールであるFCM-Formerを提案する。急性B細胞, T細胞リンパ芽球性, 急性骨髄性白血病(B-ALL, T-ALL, AML)の960例において, FCM-Formerは96.5%の精度でそれぞれの標本に系統を割り当てている。我々の知る限り、FCM-Formerは小児急性白血病の診断において、FCMデータによる免疫フェノタイピング評価を自動化する最初の研究である。
参考スコア（独自算出の注目度）: 6.128460923508468
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Acute Leukemia is the most common hematologic malignancy in children and adolescents. A key methodology in the diagnostic evaluation of this malignancy is immunophenotyping based on Multiparameter Flow Cytometry (FCM). However, this approach is manual, and thus time-consuming and subjective. To alleviate this situation, we propose in this paper the FCM-Former, a machine learning, self-attention based FCM-diagnostic tool, automating the immunophenotyping assessment in Childhood Acute Leukemia. The FCM-Former is trained in a supervised manner, by directly using flow cytometric data. Our FCM-Former achieves an accuracy of 96.5% assigning lineage to each sample among 960 cases of either acute B-cell, T-cell lymphoblastic, and acute myeloid leukemia (B-ALL, T-ALL, AML). To the best of our knowledge, the FCM-Former is the first work that automates the immunophenotyping assessment with FCM data in diagnosing pediatric Acute Leukemia.
Abstract（参考訳）: 急性白血病は小児や青年期で最も一般的な血液悪性腫瘍である。この悪性度を診断するための重要な手法は、多パラメータフローサイトメトリー(FCM)に基づく免疫フェノタイピングである。しかし、このアプローチは手作業であり、そのため時間がかかり、主観的です。本論文では,小児急性白血病における免疫フェノタイピング評価を自動化する機械学習・自己注意型FCM診断ツールであるFCM-Formerを提案する。 FCM-Formerは、フローサイトメトリーデータを直接使用することにより、教師付きで訓練される。急性B細胞,T細胞リンパ芽球性白血病,急性骨髄性白血病(B-ALL,T-ALL,AML)の960例において,FCM-Formerは96.5%の精度でそれぞれの標本に系統を割り当てた。我々の知る限り、FCM-Formerは小児急性白血病の診断において、FCMデータによる免疫フェノタイピング評価を自動化する最初の研究である。

関連論文リスト

A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
論文参考訳（メタデータ） (2024-10-18T15:23:34Z)
MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文参考訳（メタデータ） (2024-06-12T15:22:56Z)
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)
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)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Automated Detection of Acute Lymphoblastic Leukemia Subtypes from Microscopic Blood Smear Images using Deep Neural Networks [0.0]
毎年30万件の新しい白血病が診断されている。最も危険で致命的なタイプの白血病は急性リンパ性白血病(all)である。本研究では,Deep Neural Networks (DNN) を用いた顕微鏡的血液スミアス画像から様々な形状のオールブラスト細胞を自動検出するシステムを提案する。
論文参考訳（メタデータ） (2022-07-30T20:31:59Z)
Automated Detection of Acute Promyelocytic Leukemia in Blood Films and Bone Marrow Aspirates with Annotation-free Deep Learning [0.7091770799191859]
白血球同定のための深層学習手法MILLIE(Multiple Instance Learning)を提案する。 MILLIEは最小限の監督で血液フィルムの自動信頼性解析を行うことができる。血液膜および骨髄吸引液中の急性前骨髄球性白血病(APL)を検出する。
論文参考訳（メタデータ） (2022-03-20T18:53:09Z)
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)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
Automated Identification of Cell Populations in Flow Cytometry Data with Transformers [0.0]
本稿では,フローサイトメトリーデータから直接,MRD(Minimmal Residual Disease)値を計算する自動化手法を提案する。本手法は,3つの臨床センターから入手可能なALL FCMデータに基づいて,教師あり方式で訓練し,評価する。本手法は200 B-ALL試料で試験した場合, 中央値0.93のf1値に達する。
論文参考訳（メタデータ） (2021-08-23T11:10:38Z)

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。