論文の概要: Advancing Histopathology with Deep Learning Under Data Scarcity: A Decade in Review
- arxiv url: http://arxiv.org/abs/2410.19820v1
- Date: Fri, 18 Oct 2024 07:29:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-03 07:49:38.645060
- Title: Advancing Histopathology with Deep Learning Under Data Scarcity: A Decade in Review
- Title（参考訳）: データスカシティによる深層学習による病理学の進歩:10年を振り返って
- Authors: Ahmad Obeid, Said Boumaraf, Anabia Sohail, Taimur Hassan, Sajid Javed, Jorge Dias, Mohammed Bennamoun, Naoufel Werghi,
- Abstract要約: 病理組織学における深層学習の応用について概説する。
われわれは過去10年間にデータ不足によって引き起こされた課題に注目している。
未調査の研究機会を特定します。
- 参考スコア（独自算出の注目度）: 30.91867799522664
- License:
- Abstract: Recent years witnessed remarkable progress in computational histopathology, largely fueled by deep learning. This brought the clinical adoption of deep learning-based tools within reach, promising significant benefits to healthcare, offering a valuable second opinion on diagnoses, streamlining complex tasks, and mitigating the risks of inconsistency and bias in clinical decisions. However, a well-known challenge is that deep learning models may contain up to billions of parameters; supervising their training effectively would require vast labeled datasets to achieve reliable generalization and noise resilience. In medical imaging, particularly histopathology, amassing such extensive labeled data collections places additional demands on clinicians and incurs higher costs, which hinders the art's progress. Addressing this challenge, researchers devised various strategies for leveraging deep learning with limited data and annotation availability. In this paper, we present a comprehensive review of deep learning applications in histopathology, with a focus on the challenges posed by data scarcity over the past decade. We systematically categorize and compare various approaches, evaluate their distinct contributions using benchmarking tables, and highlight their respective advantages and limitations. Additionally, we address gaps in existing reviews and identify underexplored research opportunities, underscoring the potential for future advancements in this field.
- Abstract（参考訳）: 近年の計算病理学の進歩は、主に深層学習に支えられた。
これにより、ディープラーニングベースのツールがリーチ内に導入され、医療に有意義な利益をもたらし、診断に関する貴重な第2の意見を提供し、複雑なタスクを合理化し、臨床上の決定における矛盾やバイアスのリスクを軽減した。
しかし、よく知られた課題は、ディープラーニングモデルには最大で10億のパラメータが含まれており、そのトレーニングを効果的に監視するには、信頼性の高い一般化とノイズレジリエンスを達成するために、巨大なラベル付きデータセットが必要であることである。
医用画像、特に病理学では、このような広範囲なラベル付きデータ収集が臨床医にさらなる要求を与え、より高いコストを発生させることで、芸術の進歩を妨げている。
この課題に対処するため、研究者は、限られたデータとアノテーションの可用性でディープラーニングを活用するための様々な戦略を考案した。
本稿では,過去10年間のデータ不足による課題に焦点をあて,組織学におけるディープラーニング応用の包括的レビューを行う。
我々は、様々なアプローチを体系的に分類し、比較し、ベンチマーク表を用いてそれぞれのコントリビューションを評価し、それぞれのアドバンテージと制限を強調した。
さらに、既存のレビューのギャップに対処し、未調査の研究機会を特定し、この分野における今後の進歩の可能性を明らかにする。
関連論文リスト
- TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - A Survey of Few-Shot Learning for Biomedical Time Series [3.845248204742053]
データ駆動型モデルは、臨床診断を支援し、患者のケアを改善する大きな可能性を秘めている。
ラベル付きデータの不足を克服する新たなアプローチは、人間のような能力でAIメソッドを拡張して、少数ショット学習と呼ばれる限られた例で新しいタスクを学ぶことだ。
本調査は,生物医学的時系列アプリケーションのための数ショット学習手法の総合的なレビューと比較を行う。
論文 参考訳（メタデータ） (2024-05-03T21:22:27Z) - Continual Learning in Medical Image Analysis: A Comprehensive Review of Recent Advancements and Future Prospects [5.417947115749931]
継続的学習は、統一的で持続可能な深層モデルを開発するための重要なアプローチとして現れてきた。
本稿では,医用画像解析に応用した継続的学習技術の現状を概観する。
論文 参考訳（メタデータ） (2023-12-28T13:16:03Z) - Deep Learning and Computer Vision for Glaucoma Detection: A Review [0.8379286663107844]
緑内障は世界中で不可逆的な盲目の原因となっている。
コンピュータビジョンとディープラーニングの最近の進歩は、自動評価の可能性を示している。
眼底,光コヒーレンス断層撮影,視野画像を用いたAIによる緑内障の診断に関する最近の研究について調査した。
論文 参考訳（メタデータ） (2023-07-31T09:49:51Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - Feature Selection integrated Deep Learning for Ultrahigh Dimensional and
Highly Correlated Feature Space [0.456877715768796]
本稿では,クラスタレベルの予測器のクラスタレベルの発見に深層学習を駆使した新しいスクリーニング・クリーニング手法を提案する。
広範囲のシミュレーションシナリオに対する徹底的な実証実験により,提案手法の有効性が実証された。
論文 参考訳（メタデータ） (2022-09-15T02:58:42Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - Ten years of image analysis and machine learning competitions in
dementia [5.072348652654899]
MIRIAD, Alzheimer's Disease Big Data DREAM, CADDementia, Machine Learning Challenge, MCI Neuroimaging, TADPOLE, そして予測分析コンペティション。
研究の質問やデータセット、検証のアプローチ、結果、影響について、これらの大きな課題がどのように補完されているのかを分析しました。
臨床問題やタスク,パフォーマンス指標にはほとんど重複がなかった。幅広い質問に対する洞察を提供するというメリットがある一方で,課題を越えた結果の検証も制限されている。
論文 参考訳（メタデータ） (2021-12-15T06:57:47Z) - Deep Long-Tailed Learning: A Survey [163.16874896812885]
ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。
長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。
本稿では,近年の長期学習の進歩を包括的に調査する。
論文 参考訳（メタデータ） (2021-10-09T15:25:22Z) - Deep Learning for Anomaly Detection: A Review [150.9270911031327]
本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。
我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
論文 参考訳（メタデータ） (2020-07-06T02:21:16Z)
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。