論文の概要: Reliable Breast Cancer Molecular Subtype Prediction based on uncertainty-aware Bayesian Deep Learning by Mammography

• arxiv url: http://arxiv.org/abs/2412.11953v2
• Date: Thu, 19 Dec 2024 08:52:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:31:42.613426
• Title: Reliable Breast Cancer Molecular Subtype Prediction based on uncertainty-aware Bayesian Deep Learning by Mammography
• Title（参考訳）: マンモグラフィーによる不確実性を考慮したベイズ深層学習に基づく乳癌分子種予測
• Authors: Mohaddeseh Chegini, Ali Mahloojifar,
• Abstract要約: 深層学習法は, 種々の医用画像を用いた乳癌分類作業において, 良好な成績を示した。 完全なマンモグラム画像を用いた不確実性を考慮したベイズ深層学習モデルを提案する。 各サブタイプに対して提案されたモデルのAUCはそれぞれ0.71、0.75、0.86である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Breast cancer is a heterogeneous disease with different molecular subtypes, clinical behavior, treatment responses as well as survival outcomes. The development of a reliable, accurate, available and inexpensive method to predict the molecular subtypes using medical images plays an important role in the diagnosis and prognosis of breast cancer. Recently, deep learning methods have shown good performance in the breast cancer classification tasks using various medical images. Despite all that success, classical deep learning cannot deliver the predictive uncertainty. The uncertainty represents the validity of the predictions. Therefore, the high predicted uncertainty might cause a negative effect in the accurate diagnosis of breast cancer molecular subtypes. To overcome this, uncertainty quantification methods are used to determine the predictive uncertainty. Accordingly, in this study, we proposed an uncertainty-aware Bayesian deep learning model using the full mammogram images. In addition, to increase the performance of the multi-class molecular subtype classification task, we proposed a novel hierarchical classification strategy, named the two-stage classification strategy. The separate AUC of the proposed model for each subtype was 0.71, 0.75 and 0.86 for HER2-enriched, luminal and triple-negative classes, respectively. The proposed model not only has a comparable performance to other studies in the field of breast cancer molecular subtypes prediction, even using full mammography images, but it is also more reliable, due to quantify the predictive uncertainty.
• Abstract（参考訳）: 乳癌は、異なる分子サブタイプ、臨床行動、治療反応および生存結果を持つ異種性疾患である。 医療画像を用いた分子サブタイプ予測法の開発は乳がんの診断と予後において重要な役割を担っている。 近年, 種々の医用画像を用いた乳癌分類作業において, 深層学習は良好な成績を示した。 このような成功にもかかわらず、古典的なディープラーニングは予測の不確実性をもたらすことはできない。 不確実性は予測の妥当性を表す。 したがって、高い予測の不確実性は、乳がん分子サブタイプの正確な診断に悪影響を及ぼす可能性がある。 これを解決するために、予測不確実性を決定するために不確実性定量法を用いる。 そこで本研究では,全マンモグラム画像を用いた不確実性を考慮したベイズ深層学習モデルを提案する。 さらに, マルチクラス分子サブタイプ分類タスクの性能を高めるために, 2段階分類戦略と呼ばれる新しい階層分類戦略を提案した。 各サブタイプに対して提案されたモデルのAUCはそれぞれ0.71、0.75、0.86である。 提案モデルは, 乳がんの分子サブタイプ予測において, 完全なマンモグラフィー画像を用いても他の研究と同等の性能を示すだけでなく, 予測の不確かさを定量化するため, 信頼性も高い。

関連論文リスト

• Deep learning-based classification of breast cancer molecular subtypes from H&E whole-slide images [0.0]
  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。
  論文  参考訳（メタデータ） (2024-08-30T13:57:33Z)
• 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)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• 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)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• A Novel Self-Learning Framework for Bladder Cancer Grading Using Histopathological Images [1.244681179922733]
  組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。 組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
  論文  参考訳（メタデータ） (2021-06-25T11:04:04Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• DenseNet for Breast Tumor Classification in Mammographic Images [0.0]
  本研究の目的は,マンモグラフィ画像における乳腺病変の自動検出,分画,分類のための深層畳み込みニューラルネットワーク手法を構築することである。 ディープラーニングに基づいて,選択と抽出を特徴とするmask-cnn(roialign)法を開発し,drknet architectureを用いて分類を行った。
  論文  参考訳（メタデータ） (2021-01-24T03:30:59Z)
• Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms [0.4297070083645048]
  本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。 自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
  論文  参考訳（メタデータ） (2020-05-29T21:23:00Z)

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。