論文の概要: Joint Modelling Histology and Molecular Markers for Cancer Classification
- arxiv url: http://arxiv.org/abs/2502.07979v1
- Date: Tue, 11 Feb 2025 21:52:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-13 13:48:18.868935
- Title: Joint Modelling Histology and Molecular Markers for Cancer Classification
- Title（参考訳）: 癌分類のための共同モデル組織学と分子マーカー
- Authors: Xiaofei Wang, Hanyu Liu, Yupei Zhang, Boyang Zhao, Hao Duan, Wanming Hu, Yonggao Mou, Stephen Price, Chao Li,
- Abstract要約: 分子マーカーと組織学的特徴を共同で予測するための新しいデジタル病理手法を提案する。
本手法は、グリオーマ、組織学的特徴および分子マーカーの分類において、他の最先端手法よりも優れている。
- 参考スコア（独自算出の注目度）: 4.267476747447838
- License:
- Abstract: Cancers are characterized by remarkable heterogeneity and diverse prognosis. Accurate cancer classification is essential for patient stratification and clinical decision-making. Although digital pathology has been advancing cancer diagnosis and prognosis, the paradigm in cancer pathology has shifted from purely relying on histology features to incorporating molecular markers. There is an urgent need for digital pathology methods to meet the needs of the new paradigm. We introduce a novel digital pathology approach to jointly predict molecular markers and histology features and model their interactions for cancer classification. Firstly, to mitigate the challenge of cross-magnification information propagation, we propose a multi-scale disentangling module, enabling the extraction of multi-scale features from high-magnification (cellular-level) to low-magnification (tissue-level) whole slide images. Further, based on the multi-scale features, we propose an attention-based hierarchical multi-task multi-instance learning framework to simultaneously predict histology and molecular markers. Moreover, we propose a co-occurrence probability-based label correlation graph network to model the co-occurrence of molecular markers. Lastly, we design a cross-modal interaction module with the dynamic confidence constrain loss and a cross-modal gradient modulation strategy, to model the interactions of histology and molecular markers. Our experiments demonstrate that our method outperforms other state-of-the-art methods in classifying glioma, histology features and molecular markers. Our method promises to promote precise oncology with the potential to advance biomedical research and clinical applications. The code is available at https://github.com/LHY1007/M3C2
- Abstract（参考訳）: 癌は顕著な異質性と多彩な予後を特徴とする。
正確ながん分類は、患者層化と臨床的意思決定に不可欠である。
デジタル病理学は、がんの診断と予後を進歩させているが、がん病理学のパラダイムは、純粋に組織学的特徴に依存するものから、分子マーカーを組み込むものへと移行してきた。
新しいパラダイムのニーズを満たすために、デジタル病理法が緊急に必要である。
本稿では,分子マーカーと組織学的特徴を共同で予測し,その相互作用を癌分類のためにモデル化するための新しいデジタル病理手法を提案する。
第一に,クロスマグニフィケーション情報伝搬の課題を軽減するため,マルチスケールディエンタングモジュールを提案し,高マグニフィフィケーション(セルレベル)から低マグニフィケーション(チップレベル)のスライド画像全体へのマルチスケール特徴抽出を可能にする。
さらに, マルチスケールの特徴から, 注意に基づく階層型マルチタスク学習フレームワークを提案し, 組織学と分子マーカーを同時に予測する。
さらに,分子マーカーの共起をモデル化するために,共起確率に基づくラベル相関グラフネットワークを提案する。
最後に,分子マーカーと組織学の相互作用をモデル化するために,動的信頼度制約損失を伴うクロスモーダル相互作用モジュールと,クロスモーダル勾配変調戦略を設計する。
本手法は, グリオーマ, 組織学的特徴, 分子マーカーの分類において, 他の最先端手法よりも優れていることを示す。
本手法は,生物医学研究と臨床応用を進展させる可能性を秘め,正確な腫瘍学を促進することを約束する。
コードはhttps://github.com/LHY1007/M3C2で公開されている。
関連論文リスト
- LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
論文 参考訳（メタデータ） (2024-08-30T16:26:04Z) - Focus on Focus: Focus-oriented Representation Learning and Multi-view Cross-modal Alignment for Glioma Grading [15.492493684721175]
マルチモーダル・ディープ・ラーニングは グリオーマの成績で 有望な成果を上げました
本稿では,FoF(FoF)フレームワークについて紹介する。FoF(FoF)フレームワークは,FoF(FoF)フレームワークとFoF(FoF)フレームワークを併用し,FoF(FoF)フレームワークとFoF(FoF)フレームワークを併用する。
TCGA GBM-LGGデータセットの実験により、我々のFoFフレームワークはグリオーマのグレーディングを大幅に改善することが示された。
論文 参考訳（メタデータ） (2024-08-16T04:54:10Z) - MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳（メタデータ） (2024-06-12T15:22:56Z) - Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。
PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。
腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
論文 参考訳（メタデータ） (2024-04-11T09:07:40Z) - Multi-task Learning of Histology and Molecular Markers for Classifying
Diffuse Glioma [9.082753496844731]
組織学と分子マーカーを共同で予測する階層型マルチタスクマルチインスタンス学習フレームワークを提案する。
また,分子マーカーの共起をモデル化するために,共起確率に基づくラベル補正グラフネットワークを提案する。
以上の結果から,本手法はびまん性グリオーマの分類において,他の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-03-26T23:00:00Z) - 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) - Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable
Multimodal Deep Learning [4.764927152701701]
14種類のがん患者5,720人のスライド画像,RNA配列,コピー数の変化,および突然変異データを統合する。
我々の解釈可能な、弱教師付き、マルチモーダルなディープラーニングアルゴリズムは、これらの不均一なモダリティを融合して結果を予測することができる。
本研究は,全ての癌型にまたがる予後予測に寄与する形態学的および分子マーカーを解析する。
論文 参考訳（メタデータ） (2021-08-04T20:40:05Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - 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) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳（メタデータ） (2020-04-10T13:12:47Z)
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。