論文の概要: Computational Methods for Breast Cancer Molecular Profiling through Routine Histopathology: A Review
- arxiv url: http://arxiv.org/abs/2412.10392v1
- Date: Sun, 01 Dec 2024 08:13:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-22 08:34:04.649579
- Title: Computational Methods for Breast Cancer Molecular Profiling through Routine Histopathology: A Review
- Title（参考訳）: 乳癌の分子プロファイリング法 : 病理組織学的検討
- Authors: Suchithra Kunhoth, Somaya Al- Maadeed, Younes Akbari, Rafif Al Saady,
- Abstract要約: 近年の人工知能の進歩により、デジタル病理学は標的となる分子およびより広い眼生マーカーの病理像を解析できるようになった。
これらの技術は、通常のヘマトキシリンおよびエオシン染色画像から直接ゲノム、転写、プロテオミクス、代謝マーカーなどの様々なバイオマーカーを抽出する機能を提供する。
- 参考スコア（独自算出の注目度）: 0.2671776059280352
- License:
- Abstract: Precision medicine has become a central focus in breast cancer management, advancing beyond conventional methods to deliver more precise and individualized therapies. Traditionally, histopathology images have been used primarily for diagnostic purposes; however, they are now recognized for their potential in molecular profiling, which provides deeper insights into cancer prognosis and treatment response. Recent advancements in artificial intelligence (AI) have enabled digital pathology to analyze histopathologic images for both targeted molecular and broader omic biomarkers, marking a pivotal step in personalized cancer care. These technologies offer the capability to extract various biomarkers such as genomic, transcriptomic, proteomic, and metabolomic markers directly from the routine hematoxylin and eosin (H&E) stained images, which can support treatment decisions without the need for costly molecular assays. In this work, we provide a comprehensive review of AI-driven techniques for biomarker detection, with a focus on diverse omic biomarkers that allow novel biomarker discovery. Additionally, we analyze the major challenges faced in this field for robust algorithm development. These challenges highlight areas where further research is essential to bridge the gap between AI research and clinical application.
- Abstract（参考訳）: 精密医療は乳がん管理の中心となり、より正確で個別化された治療法を提供する従来の方法を超えて進んでいる。
伝統的に、病理組織像は主に診断目的に用いられてきたが、現在では分子プロファイリングの可能性で認識されており、がんの予後と治療反応について深い洞察を与えている。
近年の人工知能(AI)の進歩により、デジタル病理学は、標的となる分子バイオマーカーと幅広い眼生マーカーの両方の病理像を解析することが可能となり、パーソナライズされたがん治療における重要なステップとなった。
これらの技術は、通常のヘマトキシリンやエオシン(H&E)染色画像から直接ゲノム、転写、プロテオミクス、代謝マーカーなどの様々なバイオマーカーを抽出する機能を提供し、コストのかかる分子アッセイを必要とせずに治療決定を支援することができる。
本研究では,生物マーカー検出のためのAI駆動技術に関する総合的なレビューを行い,新しいバイオマーカー発見を可能にする多様な生物マーカーに焦点をあてる。
さらに,この分野で直面している,ロバストなアルゴリズム開発における課題についても分析する。
これらの課題は、AI研究と臨床応用のギャップを埋めるために、さらなる研究が不可欠である領域を強調している。
関連論文リスト
- AI in Oncology: Transforming Cancer Detection through Machine Learning and Deep Learning Applications [0.3937575566991286]
本稿では,従来の診断技術の限界について検討し,がんの診断・治療におけるAIの変革的役割について考察する。
この研究は、放射線医学におけるAIの適用を、癌の詳細な特徴、関連するリスクを特定するための予測分析、即時診断のためのアルゴリズム駆動ロボットの開発に応用することを目的としている。
このプラットフォームの包括的な目標は、専門家の推薦の開発を支援し、普遍的で効率的な診断手順を提供することである。
論文 参考訳（メタデータ） (2025-01-26T11:32:43Z) - Screen Them All: High-Throughput Pan-Cancer Genetic and Phenotypic Biomarker Screening from H&E Whole Slide Images [3.119559770601732]
通常のH&EスライドでのAIの使用は、複数の分子バイオマーカーのスクリーニングに迅速かつ経済的アプローチを提供する。
我々は,300万スライドで事前学習した基礎モデルであるVirchow2を利用した高スループットAIベースシステムを提案する。
バイオマーカーや癌の種類ごとに個別のモデルを訓練する従来の手法とは異なり、我々のシステムは、幅広い臨床関連分子バイオマーカーを同時に予測するために統一されたモデルを採用している。
論文 参考訳（メタデータ） (2024-08-18T17:44:00Z) - Breast Cancer Diagnosis: A Comprehensive Exploration of Explainable Artificial Intelligence (XAI) Techniques [38.321248253111776]
乳がんの診断・診断における説明可能な人工知能(XAI)技術の適用について検討する。
複雑なAIモデルと実用的な医療アプリケーションの間のギャップを埋めることにおけるXAIの可能性を強調することを目的としている。
論文 参考訳（メタデータ） (2024-06-01T18:50:03Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳（メタデータ） (2023-11-01T14:44:01Z) - A marker-less human motion analysis system for motion-based biomarker
discovery in knee disorders [60.99112047564336]
NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。
膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
論文 参考訳（メタデータ） (2023-04-26T16:47:42Z) - 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) - Advances of Artificial Intelligence in Classical and Novel
Spectroscopy-Based Approaches for Cancer Diagnostics. A Review [0.0]
本稿では,MRIやCTなどの確立した技術における人工知能応用の進歩について概説する。
これは、モバイル、超高速、低侵襲診断のために開発中の光学分光に基づくアプローチと組み合わせることで、高い可能性を示している。
シンスライシングやヘマトキシリン・アンド・エオシン染色を陳腐化させることにより, 組織分析のための組織製剤の時間短縮効果を示す。
論文 参考訳（メタデータ） (2022-08-08T09:39:36Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳（メタデータ） (2022-03-23T00:58:27Z) - 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)
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。