論文の概要: Renal Cell Carcinoma subtyping: learning from multi-resolution localization
- arxiv url: http://arxiv.org/abs/2411.09471v1
- Date: Thu, 14 Nov 2024 14:21:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-15 15:25:37.485501
- Title: Renal Cell Carcinoma subtyping: learning from multi-resolution localization
- Title（参考訳）: 腎細胞癌サブタイプ:多能性局在から学ぶ
- Authors: Mohamad Mohamad, Francesco Ponzio, Santa Di Cataldo, Damien Ambrosetti, Xavier Descombes,
- Abstract要約: 本研究では,機械学習診断ツールの自己指導型学習戦略について検討する。
ツールの精度を大幅に低下させることなく、アノテーション付きデータセットの必要性を減らすことを目指している。
腎癌サブタイプのためのスライド画像データセット全体に対して,本ツールの分類能力を実証し,本ソリューションを最先端の分類手法と比較した。
- 参考スコア（独自算出の注目度）: 1.5728609542259502
- License:
- Abstract: Renal Cell Carcinoma is typically asymptomatic at the early stages for many patients. This leads to a late diagnosis of the tumor, where the curability likelihood is lower, and makes the mortality rate of Renal Cell Carcinoma high, with respect to its incidence rate. To increase the survival chance, a fast and correct categorization of the tumor subtype is paramount. Nowadays, computerized methods, based on artificial intelligence, represent an interesting opportunity to improve the productivity and the objectivity of the microscopy-based Renal Cell Carcinoma diagnosis. Nonetheless, much of their exploitation is hampered by the paucity of annotated dataset, essential for a proficient training of supervised machine learning technologies. This study sets out to investigate a novel self supervised training strategy for machine learning diagnostic tools, based on the multi-resolution nature of the histological samples. We aim at reducing the need of annotated dataset, without significantly reducing the accuracy of the tool. We demonstrate the classification capability of our tool on a whole slide imaging dataset for Renal Cancer subtyping, and we compare our solution with several state-of-the-art classification counterparts.
- Abstract（参考訳）: 腎細胞癌は通常、多くの患者において早期に無症候性である。
再発率の低い腫瘍の診断が遅くなり,腎細胞癌の死亡率も高くなった。
生存率を高めるために、腫瘍サブタイプの迅速かつ正確な分類が最重要である。
今日では、人工知能に基づくコンピュータ化された手法が、顕微鏡ベースの腎細胞癌診断の生産性と客観性を改善する興味深い機会となっている。
それでも、それらの利用の多くは、教師付き機械学習技術の熟練したトレーニングに不可欠な、注釈付きデータセットの曖昧さによって妨げられている。
本研究は, 組織標本のマルチレゾリューション特性に基づいて, 機械学習診断ツールのための新たな自己指導型トレーニング戦略について検討することを目的とする。
ツールの精度を大幅に低下させることなく、アノテーション付きデータセットの必要性を減らすことを目指している。
腎癌サブタイプのためのスライド画像データセット全体に対して,本ツールの分類能力を実証し,本ソリューションを最先端の分類手法と比較した。
関連論文リスト
- Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification [7.002657345547741]
非小細胞肺癌(NSCLC)は、世界中のがん死亡の主な原因である。
本稿では, 融合医療画像(CT, PET)と臨床健康記録, ゲノムデータとを合成する, マルチモーダルデータの革新的な統合について紹介する。
NSCLCの検出と分類精度の大幅な向上により,本研究は既存のアプローチを超越している。
論文 参考訳（メタデータ） (2024-09-27T12:59:29Z) - Let it shine: Autofluorescence of Papanicolaou-stain improves AI-based cytological oral cancer detection [3.1850395068284785]
早期に検出された口腔癌は治療可能であるが、後期に致命的になることが多い。
コンピュータ支援法は、費用対効果と正確な細胞学的解析に不可欠である。
本研究は,マルチモーダルイメージングとディープフュージョンを用いた,AIによる口腔癌検出の改善を目的とする。
論文 参考訳（メタデータ） (2024-07-02T01:05:35Z) - Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。
本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文 参考訳（メタデータ） (2024-05-23T07:03:38Z) - Machine-Learning-based Colorectal Tissue Classification via Acoustic
Resolution Photoacoustic Microscopy [3.916910844026426]
大腸内視鏡では、がんによって影響を受ける組織の内部に詳細な情報を提供できないが、生検では組織を除去し、痛みと侵襲性がある。
音響分解能光音響顕微鏡(ARPAM)を用いた大腸組織分類のための機械学習手法について検討した。
提案手法の有効性を評価するため, 定量的および定性的に解析を行った。
論文 参考訳（メタデータ） (2023-07-17T15:15:26Z) - Robust Tumor Detection from Coarse Annotations via Multi-Magnification
Ensembles [11.070094685209598]
乳癌患者のセンチネルリンパ節のオープンなCAMELYON16データセットにおいて,転移の検出精度を大幅に向上する新しいアンサンブル法を提案する。
臨床的に癌診断に有用であることを示すため,本法により良好な結果が得られた。
論文 参考訳（メタデータ） (2023-03-29T08:41:22Z) - Weakly-supervised learning for image-based classification of primary
melanomas into genomic immune subgroups [1.4585861543119112]
我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。
我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
論文 参考訳（メタデータ） (2022-02-23T13:57:35Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - 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) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳（メタデータ） (2020-11-22T17:31:23Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z)
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。