論文の概要: ECTIL: Label-efficient Computational Tumour Infiltrating Lymphocyte (TIL) assessment in breast cancer: Multicentre validation in 2,340 patients with breast cancer
- arxiv url: http://arxiv.org/abs/2501.14379v1
- Date: Fri, 24 Jan 2025 10:28:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-27 14:57:36.125896
- Title: ECTIL: Label-efficient Computational Tumour Infiltrating Lymphocyte (TIL) assessment in breast cancer: Multicentre validation in 2,340 patients with breast cancer
- Title(参考訳): ECTIL: 乳癌におけるTIL (label- efficient Computational Tumour Infiltrating Lymphocyte) の評価 : 2,340例における多心性検証
- Authors: Yoni Schirris, Rosie Voorthuis, Mark Opdam, Marte Liefaard, Gabe S Sonke, Gwen Dackus, Vincent de Jong, Yuwei Wang, Annelot Van Rossum, Tessa G Steenbruggen, Lars C Steggink, Liesbeth G. E. de Vries, Marc van de Vijver, Roberto Salgado, Efstratios Gavves, Paul J van Diest, Sabine C Linn, Jonas Teuwen, Renee Menezes, Marleen Kok, Hugo Horlings,
- Abstract要約: 腫瘍浸潤リンパ球のレベル(TILs)は、(三重複陰性)乳癌の予後因子である。
現在の計算的TILアセスメント(CTA)モデルは、多くの詳細なアノテーションに依存している。
我々は,100倍少ない病理学アノテーションで10分で学習できる,根本的にシンプルなディープラーニングベースモデルを提案する。
- 参考スコア(独自算出の注目度): 17.91294880294883
- License:
- Abstract: The level of tumour-infiltrating lymphocytes (TILs) is a prognostic factor for patients with (triple-negative) breast cancer (BC). Computational TIL assessment (CTA) has the potential to assist pathologists in this labour-intensive task, but current CTA models rely heavily on many detailed annotations. We propose and validate a fundamentally simpler deep learning based CTA that can be trained in only ten minutes on hundredfold fewer pathologist annotations. We collected whole slide images (WSIs) with TILs scores and clinical data of 2,340 patients with BC from six cohorts including three randomised clinical trials. Morphological features were extracted from whole slide images (WSIs) using a pathology foundation model. Our label-efficient Computational stromal TIL assessment model (ECTIL) directly regresses the TILs score from these features. ECTIL trained on only a few hundred samples (ECTIL-TCGA) showed concordance with the pathologist over five heterogeneous external cohorts (r=0.54-0.74, AUROC=0.80-0.94). Training on all slides of five cohorts (ECTIL-combined) improved results on a held-out test set (r=0.69, AUROC=0.85). Multivariable Cox regression analyses indicated that every 10% increase of ECTIL scores was associated with improved overall survival independent of clinicopathological variables (HR 0.86, p<0.01), similar to the pathologist score (HR 0.87, p<0.001). We demonstrate that ECTIL is highly concordant with an expert pathologist and obtains a similar hazard ratio. ECTIL has a fundamentally simpler design than existing methods and can be trained on orders of magnitude fewer annotations. Such a CTA may be used to pre-screen patients for, e.g., immunotherapy clinical trial inclusion, or as a tool to assist clinicians in the diagnostic work-up of patients with BC. Our model is available under an open source licence (https://github.com/nki-ai/ectil).
- Abstract(参考訳): 腫瘍浸潤リンパ球(TILs)のレベルは、(三重複陰性)乳癌(BC)の予後因子である。
コンピュータTILアセスメント(CTA)は、この労働集約的なタスクにおいて病理学者を支援する可能性があるが、現在のCTAモデルは、多くの詳細なアノテーションに大きく依存している。
我々は,100倍少ない病理学アノテーションで10分で学習できる,基礎的にシンプルなディープラーニングベースのCTAを提案し,検証する。
ランダム化臨床試験を含む6例のコホートからTILスコアとBC患者2,340名の臨床データを用いて全スライド画像(WSIs)を収集した。
病理基盤モデルを用いて全スライド画像(WSI)から形態的特徴を抽出した。
ラベル効率のよい計算ストロームTIL評価モデル(ECTIL)は,これらの特徴からTILのスコアを直接回帰する。
ECTILはわずか数百のサンプル(ECTIL-TCGA)で訓練され、5つの異種外部コホート(r=0.54-0.74、AUROC=0.80-0.94)で病理学者と一致した。
5つのコホート(ECTIL-combined)の全てのスライドの訓練は、ホールドアウトテストセット(r=0.69, AUROC=0.85)の結果を改善した。
臨床病理学的変数 (HR 0.86, p<0.001) に依存しない総合生存率の改善 (HR 0.87, p<0.001) は, ECTILスコアの10%増加にともなうことが示唆された。
我々は,ECTILが専門の病理医と高度に一致し,同様の危険率が得られることを示した。
ECTILは、既存のメソッドよりも根本的にシンプルな設計で、桁違いに少ないアノテーションでトレーニングできる。
このようなCTAは、例えば、免疫療法臨床試験を含む患者を事前にスクリーニングしたり、または、臨床医がBC患者の診断作業を支援するためのツールとして使用することができる。
私たちのモデルはオープンソースライセンス(https://github.com/nki-ai/ectil)の下で利用可能です。
関連論文リスト
- Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳(メタデータ) (2024-07-02T19:30:25Z) - CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳(メタデータ) (2024-01-29T12:56:11Z) - Neural Network-Based Histologic Remission Prediction In Ulcerative
Colitis [38.150634108667774]
潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解
内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。
本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2023-08-28T15:54:14Z) - Addressing Uncertainty in Imbalanced Histopathology Image Classification
of HER2 Breast Cancer: An interpretable Ensemble Approach with Threshold
Filtered Single Instance Evaluation (SIE) [0.0]
早期診断は、患者が効率的な治療決定を行うのを助けることで死亡率を軽減することができる。
HER2は乳癌の最も致命的な亜型である。
DenseNet201とXceptionは単一の分類器にまとめられた。
論文 参考訳(メタデータ) (2023-08-01T19:44:31Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳(メタデータ) (2023-07-07T13:09:07Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳(メタデータ) (2022-07-23T19:17:26Z) - A Pragmatic Machine Learning Approach to Quantify Tumor Infiltrating
Lymphocytes in Whole Slide Images [0.0]
がん組織における腫瘍浸潤リンパ球(TIL)の上昇は、多くの種類のがんにおいて好ましい結果を示す。
本研究の目的は,肺がん患者の標準診断ヘマトキシリンおよびエオシン染色部(H&Eスライス)の全スライド画像(WSI)中のTILを自動的に定量化することである。
論文 参考訳(メタデータ) (2022-02-14T10:22:10Z) - Predicting Axillary Lymph Node Metastasis in Early Breast Cancer Using
Deep Learning on Primary Tumor Biopsy Slides [17.564585510792227]
深達度学習(DL)に基づく原発性腫瘍生検シグネチャを作製し,扁平上皮リンパ節(ALN)の転移を予測した。
2010年5月から2020年8月までに約1,058人のEBC患者がALNと診断された。
論文 参考訳(メタデータ) (2021-12-04T02:23:18Z) - CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint
Identification and Severity Quantification [45.86448200141968]
感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。
両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。
我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
論文 参考訳(メタデータ) (2020-06-02T08:05:06Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳(メタデータ) (2020-04-02T21:49:14Z)
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。