論文の概要: Deep learning-based classification of breast cancer molecular subtypes from H&E whole-slide images

• arxiv url: http://arxiv.org/abs/2409.09053v1
• Date: Fri, 30 Aug 2024 13:57:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-22 21:42:00.759675
• Title: Deep learning-based classification of breast cancer molecular subtypes from H&E whole-slide images
• Title（参考訳）: H&E全スライディング画像による乳癌分子サブタイプの深層学習による分類
• Authors: Masoud Tafavvoghi, Anders Sildnes, Mehrdad Rakaee, Nikita Shvetsov, Lars Ailo Bongo, Lill-Tove Rasmussen Busund, Kajsa Møllersen,
• Abstract要約: 乳がんの分子サブタイプを予測するために,H&Eによる全スライド画像の活用が可能であるかを検討した。 乳がんの1,433 WSIを2段階のパイプラインで用いた。まず,腫瘍と非腫瘍タイルの分類を行い,腫瘍領域のみを分子サブタイピングに用いた。 パイプラインは221個のWSIで試験され、腫瘍検出には0.95点、分子置換には0.73点のマクロF1スコアが得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classifying breast cancer molecular subtypes is crucial for tailoring treatment strategies. While immunohistochemistry (IHC) and gene expression profiling are standard methods for molecular subtyping, IHC can be subjective, and gene profiling is costly and not widely accessible in many regions. Previous approaches have highlighted the potential application of deep learning models on H&E-stained whole slide images (WSI) for molecular subtyping, but these efforts vary in their methods, datasets, and reported performance. In this work, we investigated whether H&E-stained WSIs could be solely leveraged to predict breast cancer molecular subtypes (luminal A, B, HER2-enriched, and Basal). We used 1,433 WSIs of breast cancer in a two-step pipeline: first, classifying tumor and non-tumor tiles to use only the tumor regions for molecular subtyping; and second, employing a One-vs-Rest (OvR) strategy to train four binary OvR classifiers and aggregating their results using an eXtreme Gradient Boosting (XGBoost) model. The pipeline was tested on 221 hold-out WSIs, achieving an overall macro F1 score of 0.95 for tumor detection and 0.73 for molecular subtyping. Our findings suggest that, with further validation, supervised deep learning models could serve as supportive tools for molecular subtyping in breast cancer. Our codes are made available to facilitate ongoing research and development.
• Abstract（参考訳）: 乳がん分子サブタイプを分類することは治療戦略の調整に不可欠である。 免疫組織化学(IHC)と遺伝子発現プロファイリングは分子サブタイピングの標準的な方法であるが、IHCは主観的であり、遺伝子プロファイリングは高価であり、多くの地域では広くアクセスできない。 従来のアプローチでは、分子置換のためのH&E-stained whole slide image (WSI) に対するディープラーニングモデルの適用の可能性を強調していたが、これらの取り組みはメソッド、データセット、報告されたパフォーマンスによって異なる。 本研究は, H&E-stained WSIs が乳癌分子サブタイプ (luminal A, B, HER2-enriched, Basal) の予測にのみ活用できるかどうかを検討した。 乳がんの1,433 WSIを2段階のパイプラインで用いた。第1に,腫瘍領域のみを分子サブタイピングに使用し,第2に,1-vs-Rest(OvR)戦略を用いて4つのバイナリOvR分類器を訓練し,eXtreme Gradient Boosting(XGBoost)モデルを用いて結果を集計した。 パイプラインは221個のWSIで試験され、腫瘍検出には0.95点、分子置換には0.73点のマクロF1スコアが得られた。 以上の結果から, 教師付きディープラーニングモデルは, 乳がんにおける分子サブタイピング支援ツールとして有効である可能性が示唆された。 私たちのコードは、進行中の研究と開発を促進するために利用できます。

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)
• One-dimensional convolutional neural network model for breast cancer subtypes classification and biochemical content evaluation using micro-FTIR hyperspectral images [0.0]
  本研究は乳がんの亜型評価と生化学的貢献のための1次元深層学習ツールを開発した。 新しい1D畳み込みニューラルネットワークCaReNet-V1は乳癌(CA)と隣接組織(AT)を分類するために開発された Grad-CAMの1次元適応を応用し, 生体化学的影響について検討した。
  論文  参考訳（メタデータ） (2023-10-23T16:58:34Z)
• 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)
• Subtype-Former: a deep learning approach for cancer subtype discovery with multi-omics data [17.36619699329539]
  本研究では,TransformerとBlockに基づくディープラーニング手法であるSubtype-Formerを提案する。 その結果,Subtype-Formerは生存率分析に基づいて,5000以上の腫瘍のベンチマークデータセットで良好な性能を発揮することがわかった。 対象とするがん治療薬の研究に使用できる50種類の重要なバイオマーカーを同定した。
  論文  参考訳（メタデータ） (2022-07-28T08:15:06Z)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模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） (2022-04-07T07:02:32Z)
• Deep Learning Based Model for Breast Cancer Subtype Classification [3.419451872918847]
  本稿では,乳癌の4つのサブタイプ(Basal,Her2,LumA,LumB)の分類における遺伝子発現データの利用に焦点を当てた。 オートエンコーダを用いて、特徴セットのサイズを20,530の遺伝子発現値から500に縮小する。 第1ステージと第2ステージのネットワークを併用することにより,TGA乳癌データセット上で平均10倍の精度0.907を達成できた。
  論文  参考訳（メタデータ） (2021-11-06T17:15:35Z)
• 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)
• An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization [45.00998416720726]
  医用画像の特徴に対処する枠組みを提案する。 このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。 次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。 最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
  論文  参考訳（メタデータ） (2020-02-13T15:28:42Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)
• Deep learning generates custom-made logistic regression models for explaining how breast cancer subtypes are classified [0.2529563359433233]
  我々は,各患者に対してカスタムメイドのロジスティック回帰を生成するPWLモデルという説明可能なディープラーニングモデルを開発した。 我々は、RNA-seqデータを用いてPWLモデルを訓練し、PAM50固有のサブタイプを予測し、サブタイプ予測タスクを通じてPAM50の41/50遺伝子に適用した。
  論文  参考訳（メタデータ） (2020-01-20T05:56:32Z)

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。