論文の概要: Generalizing AI-driven Assessment of Immunohistochemistry across Immunostains and Cancer Types: A Universal Immunohistochemistry Analyzer
- arxiv url: http://arxiv.org/abs/2407.20643v1
- Date: Tue, 30 Jul 2024 08:39:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-31 17:59:37.429310
- Title: Generalizing AI-driven Assessment of Immunohistochemistry across Immunostains and Cancer Types: A Universal Immunohistochemistry Analyzer
- Title(参考訳): AIによる免疫組織化学の免疫組織化学の一般評価 : ユニバーサル免疫組織化学分析装置
- Authors: Biagio Brattoli, Mohammad Mostafavi, Taebum Lee, Wonkyung Jung, Jeongun Ryu, Seonwook Park, Jongchan Park, Sergio Pereira, Seunghwan Shin, Sangjoon Choi, Hyojin Kim, Donggeun Yoo, Siraj M. Ali, Kyunghyun Paeng, Chan-Young Ock, Soo Ick Cho, Seokhwi Kim,
- Abstract要約: We developed a Universal IHC analysisr, a AI model for interpremeing IHC images regardless of tumor or IHC types。
このマルチコホート訓練モデルは、目に見えないIHCの解釈において、従来のシングルコホートモデルよりも優れている。
- 参考スコア(独自算出の注目度): 12.164507399614347
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite advancements in methodologies, immunohistochemistry (IHC) remains the most utilized ancillary test for histopathologic and companion diagnostics in targeted therapies. However, objective IHC assessment poses challenges. Artificial intelligence (AI) has emerged as a potential solution, yet its development requires extensive training for each cancer and IHC type, limiting versatility. We developed a Universal IHC (UIHC) analyzer, an AI model for interpreting IHC images regardless of tumor or IHC types, using training datasets from various cancers stained for PD-L1 and/or HER2. This multi-cohort trained model outperforms conventional single-cohort models in interpreting unseen IHCs (Kappa score 0.578 vs. up to 0.509) and consistently shows superior performance across different positive staining cutoff values. Qualitative analysis reveals that UIHC effectively clusters patches based on expression levels. The UIHC model also quantitatively assesses c-MET expression with MET mutations, representing a significant advancement in AI application in the era of personalized medicine and accumulating novel biomarkers.
- Abstract(参考訳): 方法の進歩にもかかわらず、免疫組織化学(IHC)は、標的療法における病理組織学的および相補的診断において最も有効である。
しかし、客観的IHC評価は課題を提起する。
人工知能(AI)は潜在的な解決策として浮上しているが、その開発には各がんとIHCタイプに対する広範な訓練が必要であり、汎用性を制限する。
We developed a Universal IHC analysisr, a AI model for interpreting IHC images regardless of tumor or IHC types, using training datas from various cancers stained for PD-L1 and/or HER2。
このマルチコホートトレーニングモデルは、見えないIHC(Kappa score 0.578 vs. 0.509)の解釈において、従来のシングルコホートモデルよりも優れ、異なる正の染色カットオフ値に対して、一貫して優れた性能を示す。
定性的分析により、UIHCは式レベルに基づいてパッチを効果的にクラスタリングする。
UIHCモデルはまた、MET変異によるc-MET発現を定量的に評価し、パーソナライズされた医療の時代におけるAI応用の著しい進歩と新しいバイオマーカーの蓄積を示す。
関連論文リスト
- Lymphoid Infiltration Assessment of the Tumor Margins in H&E Slides [1.715270928578365]
腫瘍縁部リンパ管浸潤は固形腫瘍の予後マーカーとして重要である。
現在の評価手法は、非常に依存的なオンケミカルであり、腫瘍マージンのデライン化の課題に直面している。
本稿では,高度リンパ球分画モデルに基づくHematoxylin and Eosin(H&E)染色法を提案する。
論文 参考訳(メタデータ) (2024-07-23T13:27:44Z) - IHC Matters: Incorporating IHC analysis to H&E Whole Slide Image Analysis for Improved Cancer Grading via Two-stage Multimodal Bilinear Pooling Fusion [19.813558168408047]
IHCとH&Eは相補的な性質を保ちながら、明確な長所と短所があることが示される。
機能プーリングモジュールを用いた2段階のマルチモーダルバイリニアモデルを開発した。
実験により、H&E染色画像とともに、機械学習モデルにIHCデータを組み込むことで、がんのグレーディングに優れた予測結果が得られることが示された。
論文 参考訳(メタデータ) (2024-05-13T21:21:44Z) - CIMIL-CRC: a clinically-informed multiple instance learning framework
for patient-level colorectal cancer molecular subtypes classification from
H\&E stained images [45.32169712547367]
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) - hist2RNA: An efficient deep learning architecture to predict gene
expression from breast cancer histopathology images [11.822321981275232]
深層学習アルゴリズムは、デジタル病理画像中の形態パターンを効果的に抽出し、分子の表現型を迅速かつ低コストで予測することができる。
我々は,138遺伝子の発現を予測するために,バルクRNAシークエンシング技術にインスパイアされたhist2RNAという新しい計算効率の高い手法を提案する。
論文 参考訳(メタデータ) (2023-04-10T10:54:32Z) - 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) - 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) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳(メタデータ) (2022-04-24T07:38:37Z) - 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) - 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) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Multi-Phase Cross-modal Learning for Noninvasive Gene Mutation
Prediction in Hepatocellular Carcinoma [7.621860963237023]
多相CTスキャンを用いたAPOB, COL11A1, ATRX遺伝子の突然変異予測のためのエンドツーエンドディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-08T14:36:59Z)
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。