論文の概要: The impact of tissue detection on diagnostic artificial intelligence algorithms in digital pathology

• arxiv url: http://arxiv.org/abs/2503.23021v1
• Date: Sat, 29 Mar 2025 09:16:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:36:07.190254
• Title: The impact of tissue detection on diagnostic artificial intelligence algorithms in digital pathology
• Title（参考訳）: 組織検出がデジタル病理における診断人工知能アルゴリズムに及ぼす影響
• Authors: Sol Erika Boman, Nita Mulliqi, Anders Blilie, Xiaoyi Ji, Kelvin Szolnoky, Einar Gudlaugsson, Emiel A. M. Janssen, Svein R. Kjosavik, José Asenjo, Marcello Gambacorta, Paolo Libretti, Marcin Braun, Radzislaw Kordek, Roman Łowicki, Kristina Hotakainen, Päivi Väre, Bodil Ginnerup Pedersen, Karina Dalsgaard Sørensen, Benedicte Parm Ulhøi, Lars Egevad, Kimmo Kartasalo,
• Abstract要約: 我々は、しきい値(古典的)とUNet++(AI)の2つの異なる組織検出アルゴリズムを用いて、スライド画像全体における前立腺癌のグレーディングのためのAIモデルを訓練した。 116 (0.43%) から22 (0.08%) まで減少し、しきい値に基づく組織検出からAIベースの組織検出に切り替えた。
• 参考スコア（独自算出の注目度）: 0.03493066350258852
• License:
• Abstract: Tissue detection is a crucial first step in most digital pathology applications. Details of the segmentation algorithm are rarely reported, and there is a lack of studies investigating the downstream effects of a poor segmentation algorithm. Disregarding tissue detection quality could create a bottleneck for downstream performance and jeopardize patient safety if diagnostically relevant parts of the specimen are excluded from analysis in clinical applications. This study aims to determine whether performance of downstream tasks is sensitive to the tissue detection method, and to compare performance of classical and AI-based tissue detection. To this end, we trained an AI model for Gleason grading of prostate cancer in whole slide images (WSIs) using two different tissue detection algorithms: thresholding (classical) and UNet++ (AI). A total of 33,823 WSIs scanned on five digital pathology scanners were used to train the tissue detection AI model. The downstream Gleason grading algorithm was trained and tested using 70,524 WSIs from 13 clinical sites scanned on 13 different scanners. There was a decrease from 116 (0.43%) to 22 (0.08%) fully undetected tissue samples when switching from thresholding-based tissue detection to AI-based, suggesting an AI model may be more reliable than a classical model for avoiding total failures on slides with unusual appearance. On the slides where tissue could be detected by both algorithms, no significant difference in overall Gleason grading performance was observed. However, tissue detection dependent clinically significant variations in AI grading were observed in 3.5% of malignant slides, highlighting the importance of robust tissue detection for optimal clinical performance of diagnostic AI.
• Abstract（参考訳）: 組織検出は、ほとんどのデジタル病理学応用において重要な第一歩である。 セグメンテーションアルゴリズムの詳細はめったに報告されておらず、セグメンテーションアルゴリズムの下流効果を研究する研究は乏しい。 組織検出品質を無視することは、下流のパフォーマンスのボトルネックを生じさせ、臨床応用における分析から検体の診断関連部分が除外された場合、患者の安全性を損なう可能性がある。 本研究の目的は, 下流タスクのパフォーマンスが組織検出法に敏感であるかどうかを判定し, 古典的およびAIに基づく組織検出のパフォーマンスを比較することである。 そこで我々は、しきい値(古典的)とUNet++(AI)の2つの異なる組織検出アルゴリズムを用いて、スライド画像全体(WSI)における前立腺癌のグレーディングのためのAIモデルを訓練した。 組織検出AIモデルをトレーニングするために、5つのデジタル病理スキャナーでスキャンされた合計33,823個のWSIが使用された。 下流のGleasonグレーディングアルゴリズムは、13の異なるスキャナーでスキャンされた13の臨床サイトから70,524のWSIを用いて訓練され、テストされた。 116 (0.43%) から22 (0.08%) まで減少し、しきい値に基づく組織検出からAIベースの組織検出に切り替えると、異常な外観のスライドの完全な故障を避けるため、AIモデルは古典的なモデルよりも信頼性が高いことが示唆された。 両アルゴリズムで組織を検出できるスライドでは,全体のグリーソングレーディング性能に有意な差は認められなかった。 しかし、悪性スライドの3.5%では、組織検出が臨床的に有意なAIグレーティングの変化を観察し、診断AIの最適な臨床性能のための堅牢な組織検出の重要性を強調した。

関連論文リスト

• Lesion detection in contrast enhanced spectral mammography [0.0]
  近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。 本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
  論文  参考訳（メタデータ） (2022-07-20T06:49:02Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• 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)
• 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate Between Papilledema and Optic Disc Drusen [44.754910718620295]
  我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。 1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。 われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
  論文  参考訳（メタデータ） (2021-12-18T17:05:53Z)
• Fully Automatic Deep Learning Framework for Pancreatic Ductal Adenocarcinoma Detection on Computed Tomography [0.0]
  早期発見は膵管腺癌(PDAC)の予後を改善する 現在のモデルでは、小さな(2cm)病変の特定に失敗している。 深層学習モデルを用いてPDAC検出のための自動フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-11-30T13:59:46Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Automatic Breast Lesion Detection in Ultrafast DCE-MRI Using Deep Learning [0.0]
  超高速DCE-MRIにおける乳房病変検出のためのディープラーニングによるコンピュータ支援検出(CADe)手法を提案する。 動的取得の初期段階から得られる3次元空間情報と時間情報の両方を用いる。
  論文  参考訳（メタデータ） (2021-02-07T22:03:39Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。