論文の概要: Machine learning identification of maternal inflammatory response and histologic choroamnionitis from placental membrane whole slide images

• arxiv url: http://arxiv.org/abs/2411.02354v1
• Date: Mon, 04 Nov 2024 18:21:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:46:11.530517
• Title: Machine learning identification of maternal inflammatory response and histologic choroamnionitis from placental membrane whole slide images
• Title（参考訳）: 胎盤全スライド画像からの母体炎症反応と組織性胆管炎の機械学習による同定
• Authors: Abhishek Sharma, Ramin Nateghi, Marina Ayad, Lee A. D. Cooper, Jeffery A. Goldstein,
• Abstract要約: 胎盤の炎症過程は、子孫の健康に短期的、長期的に影響を及ぼす。 デジタル病理学と機械学習は胎盤炎症を理解する上で重要な役割を果たす。 本研究は,全スライド画像(WSI)に基づいて,機械学習を用いて母性炎症反応(MIR)を理解する可能性を検討することを目的とする。
• 参考スコア（独自算出の注目度）: 2.151867022095953
• License:
• Abstract: The placenta forms a critical barrier to infection through pregnancy, labor and, delivery. Inflammatory processes in the placenta have short-term, and long-term consequences for offspring health. Digital pathology and machine learning can play an important role in understanding placental inflammation, and there have been very few investigations into methods for predicting and understanding Maternal Inflammatory Response (MIR). This work intends to investigate the potential of using machine learning to understand MIR based on whole slide images (WSI), and establish early benchmarks. To that end, we use Multiple Instance Learning framework with 3 feature extractors: ImageNet-based EfficientNet-v2s, and 2 histopathology foundation models, UNI and Phikon to investigate predictability of MIR stage from histopathology WSIs. We also interpret predictions from these models using the learned attention maps from these models. We also use the MIL framework for predicting white blood cells count (WBC) and maximum fever temperature ($T_{max}$). Attention-based MIL models are able to classify MIR with a balanced accuracy of up to 88.5% with a Cohen's Kappa ($\kappa$) of up to 0.772. Furthermore, we found that the pathology foundation models (UNI and Phikon) are both able to achieve higher performance with balanced accuracy and $\kappa$, compared to ImageNet-based feature extractor (EfficientNet-v2s). For WBC and $T_{max}$ prediction, we found mild correlation between actual values and those predicted from histopathology WSIs. We used MIL framework for predicting MIR stage from WSIs, and compared effectiveness of foundation models as feature extractors, with that of an ImageNet-based model. We further investigated model failure cases and found them to be either edge cases prone to interobserver variability, examples of pathologist's overreach, or mislabeled due to processing errors.
• Abstract（参考訳）: 胎盤は妊娠、労働、出産を通じて感染に対して重要な障壁を形成する。 胎盤の炎症過程は、子孫の健康に短期的、長期的に影響を及ぼす。 デジタル病理学と機械学習は胎盤炎症を理解する上で重要な役割を担い、母体炎症反応(MIR)を予測・理解する手法についてはほとんど研究されていない。 本研究の目的は、スライド画像全体(WSI)に基づいて機械学習を用いてMIRを理解する可能性を調査し、早期ベンチマークを確立することである。 そのために、ImageNet-based EfficientNet-v2s と2つの病理基盤モデルである UNI と Phikon を用いて、病理組織学WSIs から MIR ステージの予測可能性を調べる。 また,これらのモデルから学習した注意図を用いて,これらのモデルからの予測を解釈する。 また, 白血球数 (WBC) と最大発熱温度 (T_{max}$) を予測するため, MIL フレームワークを用いた。 注意に基づくMILモデルは、最大88.5%の精度でMIRを分類でき、Cohen's Kappa(\kappa$)は最大0.772である。 さらに,診断基盤モデル (UNI と Phikon) は,ImageNet ベースの特徴抽出器 (EfficientNet-v2s) と比較して,バランスの取れた精度と$\kappa$ で高い性能を達成できることがわかった。 WBCと$T_{max}$の予測では、実際の値と病理組織学WSIsから予測された値との微妙な相関がみられた。 We used MIL framework for predicting MIR stage from WSIs, and comparison of foundation model as feature extractor, with that of a ImageNet-based model。 さらに, モデル障害事例について検討した結果, サーバ間変動が原因のエッジケース, 病理医のオーバーリーチ例, 処理エラーによるラベルの誤りが判明した。

関連論文リスト

• Deep Learning for Fetal Inflammatory Response Diagnosis in the Umbilical Cord [2.4573404709588673]
  子宮の炎症は、子宮内感染などの炎症刺激の上昇の結果であると考えられる。 近年,デジタル病理学における深層学習の進歩は,幅広い臨床課題において良好な成績を示した。
  論文  参考訳（メタデータ） (2024-11-14T19:24:46Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Equipping Computational Pathology Systems with Artifact Processing Pipelines: A Showcase for Computation and Performance Trade-offs [0.7226586370054761]
  損傷組織, ぼかし, 折りたたみ組織, 気泡, 組織学的に無関係な血液を含む5つの重要な人工物を検出するための専門家(MoE)の混合手法を提案する。 2つのMoEと2つのマルチクラスモデルであるDCNNとビジョントランスフォーマーを用いたDLパイプラインを開発した。 提案されたMoEは86.15%のF1と97.93%の感度スコアを持ち、ViTを用いたMoEよりも推論の計算コストが低い。
  論文  参考訳（メタデータ） (2024-03-12T15:22:05Z)
• MAF-Net: Multiple attention-guided fusion network for fundus vascular image segmentation [1.3295074739915493]
  網膜基底画像の血管を正確に検出するマルチアテンション誘導核融合ネットワーク(MAF-Net)を提案する。 従来のUNetベースのモデルは、長距離依存を明示的にモデル化するため、部分的な情報を失う可能性がある。 提案手法は,いくつかの最先端手法と比較して良好な結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-05-05T15:22:20Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• 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)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Acute Lymphoblastic Leukemia Detection from Microscopic Images Using Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
  本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。 ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。 提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
  論文  参考訳（メタデータ） (2021-05-09T18:58:48Z)
• Semantic Segmentation of Histopathological Slides for the Classification of Cutaneous Lymphoma and Eczema [4.4154284772781525]
  真菌症(Mycosis fungoides, MF)は、皮膚疾患を発症する稀な疾患である。 病理医の意思決定プロセスに2倍の価値をもたらす深層学習支援診断ツールを導入する。
  論文  参考訳（メタデータ） (2020-09-10T13:49:38Z)

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。