論文の概要: Block Graph Neural Networks for tumor heterogeneity prediction

• arxiv url: http://arxiv.org/abs/2502.05458v1
• Date: Sat, 08 Feb 2025 05:48:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:36:03.181289
• Title: Block Graph Neural Networks for tumor heterogeneity prediction
• Title（参考訳）: 腫瘍異質性予測のためのブロックグラフニューラルネットワーク
• Authors: Marianne Abémgnigni Njifon, Tobias Weber, Viktor Bezborodov, Tyll Krueger, Dominic Schuhmacher,
• Abstract要約: 正確な腫瘍分類は有効な治療法の選択に不可欠である。 標準腫瘍グレーディングは、細胞分化に基づく腫瘍を分類するが、スタンドアロンの処置としては推奨されない。 腫瘍の進化をシミュレートし,腫瘍分類のための人工データセットを生成する数学的モデルを構築することを提案する。
• 参考スコア（独自算出の注目度）: 0.3611754783778107
• License:
• Abstract: Accurate tumor classification is essential for selecting effective treatments, but current methods have limitations. Standard tumor grading, which categorizes tumors based on cell differentiation, is not recommended as a stand-alone procedure, as some well-differentiated tumors can be malignant. Tumor heterogeneity assessment via single-cell sequencing offers profound insights but can be costly and may still require significant manual intervention. Many existing statistical machine learning methods for tumor data still require complex pre-processing of MRI and histopathological data. In this paper, we propose to build on a mathematical model that simulates tumor evolution (O\.{z}a\'{n}ski (2017)) and generate artificial datasets for tumor classification. Tumor heterogeneity is estimated using normalized entropy, with a threshold to classify tumors as having high or low heterogeneity. Our contributions are threefold: (1) the cut and graph generation processes from the artificial data, (2) the design of tumor features, and (3) the construction of Block Graph Neural Networks (BGNN), a Graph Neural Network-based approach to predict tumor heterogeneity. The experimental results reveal that the combination of the proposed features and models yields excellent results on artificially generated data ($89.67\%$ accuracy on the test data). In particular, in alignment with the emerging trends in AI-assisted grading and spatial transcriptomics, our results suggest that enriching traditional grading methods with birth (e.g., Ki-67 proliferation index) and death markers can improve heterogeneity prediction and enhance tumor classification.
• Abstract（参考訳）: 正確な腫瘍分類は有効な治療法の選択には不可欠であるが、現在の方法には限界がある。 標準腫瘍グレーディングは、細胞分化に基づく腫瘍を分類するが、スタンドアロンの処置としては推奨されず、よく分化した腫瘍は悪性である。 単細胞シークエンシングによる腫瘍の均一性評価は、深い洞察を与えるが、コストがかかり、手作業による介入がかなり必要である可能性がある。 既存の統計機械学習手法の多くは、MRIと病理組織データの複雑な前処理を必要とする。 本稿では,腫瘍の進展をシミュレートする数学的モデルを構築することを提案する。 {z}a\'{n}ski (2017) は腫瘍分類のための人工データセットを生成する。 腫瘍の不均一性は、正常化エントロピーを用いて推定され、腫瘍を高いまたは低い不均一性を持つものと分類する閾値が与えられる。 筆者らの貢献は,(1)人工データからのカットおよびグラフ生成プロセス,(2)腫瘍の特徴の設計,(3)腫瘍の均一性を予測するグラフニューラルネットワークに基づくBGNN(Block Graph Neural Networks)の構築である。 実験結果から, 提案した特徴とモデルの組み合わせは, 人工的に生成したデータに対して優れた結果をもたらすことが明らかとなった(テストデータでは89.67\%$精度)。 特に,AI支援型グレーティングと空間転写学の進歩に伴い,従来のグレーディング手法の充実(例えばKi-67増殖指数)と死亡マーカーの充実により,異質性予測が向上し,腫瘍の分類が向上する可能性が示唆された。

関連論文リスト

• FreeTumor: Advance Tumor Segmentation via Large-Scale Tumor Synthesis [7.064154713491736]
  FreeTumorは、堅牢な腫瘍合成とセグメンテーションのための堅牢なソリューションである。 合成トレーニングでは、敵のトレーニング戦略を使用して、大規模で多種多様なラベル付きデータを活用している。 FreeTumorでは,腫瘍セグメント化におけるデータスケーリングの法則について,データセットを1万1千件までスケールアップすることで検討する。
  論文  参考訳（メタデータ） (2024-06-03T12:27:29Z)
• Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
  本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。 畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。 その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
  論文  参考訳（メタデータ） (2024-05-07T05:55:50Z)
• Generating 3D Brain Tumor Regions in MRI using Vector-Quantization Generative Adversarial Networks [5.380977479547755]
  本稿では、ベクトル量子化GANとマスクトークンモデリングを取り入れたトランスフォーマーを用いて、高分解能で多様な3次元脳腫瘍ROIを生成する新しいフレームワークを提案する。 提案手法は,MRIでまれな脳腫瘍の正確な診断を容易にする可能性がある。
  論文  参考訳（メタデータ） (2023-10-02T14:39:10Z)
• Integration of Graph Neural Network and Neural-ODEs for Tumor Dynamic Prediction [4.850774880198265]
  本稿では,二部グラフ畳み込みニューラルネットワーク(GCN)とニューラル正規微分方程式(Neural-ODE)を組み合わせたグラフエンコーダを提案する。 まず,本手法が経験的モデルにより著しく改善される腫瘍のダイナミックモデルを発見することができることを示す。 本研究は, 提案手法が有望であり, プリクリニカル・セッティングに応用できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-02T06:39:08Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI [0.28675177318965034]
  磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案 第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。 第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
  論文  参考訳（メタデータ） (2022-01-14T10:24:47Z)
• 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)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
  低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。 本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。 私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
  論文  参考訳（メタデータ） (2021-02-11T09:04:45Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。