論文の概要: Efficient and generalizable prediction of molecular alterations in multiple cancer cohorts using H&E whole slide images

• arxiv url: http://arxiv.org/abs/2407.15816v1
• Date: Mon, 22 Jul 2024 17:31:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 13:51:10.699709
• Title: Efficient and generalizable prediction of molecular alterations in multiple cancer cohorts using H&E whole slide images
• Title（参考訳）: H&E全スライド画像を用いた複数癌コホートにおける分子量変化の効率的かつ一般化可能な予測
• Authors: Kshitij Ingale, Sun Hae Hong, Qiyuan Hu, Renyu Zhang, Bo Osinski, Mina Khoshdeli, Josh Och, Kunal Nagpal, Martin C. Stumpe, Rohan P. Joshi,
• Abstract要約: 標的となるバイオマーカーの腫瘍サンプルの分子検査は、標準化の欠如によって制限される。 低頻度のターゲット可能な変更は、ルーチンでテストできない。 H&E画像からDNAの変化を予測するアルゴリズムは、確認分子検査のためにサンプルを優先順位付けすることができる。
• 参考スコア（独自算出の注目度）: 2.578561815484769
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Molecular testing of tumor samples for targetable biomarkers is restricted by a lack of standardization, turnaround-time, cost, and tissue availability across cancer types. Additionally, targetable alterations of low prevalence may not be tested in routine workflows. Algorithms that predict DNA alterations from routinely generated hematoxylin and eosin (H&E)-stained images could prioritize samples for confirmatory molecular testing. Costs and the necessity of a large number of samples containing mutations limit approaches that train individual algorithms for each alteration. In this work, models were trained for simultaneous prediction of multiple DNA alterations from H&E images using a multi-task approach. Compared to biomarker-specific models, this approach performed better on average, with pronounced gains for rare mutations. The models reasonably generalized to independent temporal-holdout, externally-stained, and multi-site TCGA test sets. Additionally, whole slide image embeddings derived using multi-task models demonstrated strong performance in downstream tasks that were not a part of training. Overall, this is a promising approach to develop clinically useful algorithms that provide multiple actionable predictions from a single slide.
• Abstract（参考訳）: 標的となるバイオマーカーの腫瘍サンプルの分子検査は、標準化の欠如、ターンアラウンドタイム、コスト、がんの種類による組織利用率の低下によって制限されている。 さらに、通常のワークフローでは、低頻度のターゲット可能な変更はテストされない。 正常に生成されたヘマトキシリンとエオシン(H&E)の染色された画像からDNAの変化を予測するアルゴリズムは、確認された分子検査のためのサンプルを優先順位付けすることができる。 突然変異を含む多数のサンプルのコストと必要性は、それぞれの変更に対して個々のアルゴリズムを訓練するアプローチを制限する。 この研究では、マルチタスクアプローチを用いて、H&E画像から複数のDNA変化を同時に予測するモデルを訓練した。 バイオマーカー特異的モデルと比較して、このアプローチは平均的に改善され、稀な突然変異に対して顕著な利得が得られた。 モデルは、独立時間保持、外部安定、マルチサイトTCGAテストセットに合理的に一般化された。 さらに、マルチタスクモデルを用いたスライド画像の埋め込みは、トレーニングの一部ではない下流タスクにおいて、強い性能を示した。 全体として、これは単一のスライドから複数の実行可能な予測を提供する、臨床的に有用なアルゴリズムを開発するための有望なアプローチである。

関連論文リスト

• M4: Multi-Proxy Multi-Gate Mixture of Experts Network for Multiple Instance Learning in Histopathology Image Analysis [16.326593081399775]
  複数インスタンス学習のためのマルチプロキシを用いたマルチゲート・ミックス・オブ・エキスパートのアーキテクチャを提案する(M4)。 我々のモデルは、現在の最先端のシングルタスク手法と比較して、5つのテスト済みTCGAデータセットで大幅に改善された。
  論文  参考訳（メタデータ） (2024-07-24T13:30:46Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Deep Learning-Based Prediction of Molecular Tumor Biomarkers from H&E: A Practical Review [0.0]
  分子的およびゲノム的性質は、個々の腫瘍を標的とするがん治療の選択に重要である。 H&E画像に機械学習を適用することで、よりコスト効率の良いスクリーニングが可能になる。 本稿では、がんの種類や、これらのモデルを訓練し、検証するための方法論に関する多様な応用についてレビューする。
  論文  参考訳（メタデータ） (2022-11-27T14:57:41Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• InForecaster: Forecasting Influenza Hemagglutinin Mutations Through the Lens of Anomaly Detection [3.5213888068272197]
  異常検出(AD)は機械学習(ML)において確立された分野である 我々は,異常検出(AD)によってこの問題に取り組むことを提案する。 公開されている4つのデータセットに対して、多数の実験を行います。
  論文  参考訳（メタデータ） (2022-10-25T02:08:09Z)
• A robust and lightweight deep attention multiple instance learning algorithm for predicting genetic alterations [4.674211520843232]
  本稿では,遺伝子変異を予測するための新しいAttention-based Multiple Instance Mutation Learning (AMIML)モデルを提案する。 AMIMLは連続した1次元畳み込み層、デコーダ、および軽量アテンション機構のさらなる統合を容易にする余剰重量接続から構成されていた。 AMIMLは優れたロバスト性を示し、テスト対象遺伝子の大部分で5つのベースラインアルゴリズムをすべて上回るだけでなく、他の7遺伝子に対してほぼ最高の性能を示した。
  論文  参考訳（メタデータ） (2022-05-31T15:45:29Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。