論文の概要: MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning
- arxiv url: http://arxiv.org/abs/2503.23042v1
- Date: Sat, 29 Mar 2025 11:14:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-01 14:33:49.466851
- Title: MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning
- Title（参考訳）: MIL対アグリゲーション:グラフ学習を用いた患者レベル生存予測戦略の評価
- Authors: M Rita Verdelho, Alexandre Bernardino, Catarina Barata,
- Abstract要約: 我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。
前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。
後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
- 参考スコア（独自算出の注目度）: 52.231128973251124
- License:
- Abstract: Oncologists often rely on a multitude of data, including whole-slide images (WSIs), to guide therapeutic decisions, aiming for the best patient outcome. However, predicting the prognosis of cancer patients can be a challenging task due to tumor heterogeneity and intra-patient variability, and the complexity of analyzing WSIs. These images are extremely large, containing billions of pixels, making direct processing computationally expensive and requiring specialized methods to extract relevant information. Additionally, multiple WSIs from the same patient may capture different tumor regions, some being more informative than others. This raises a fundamental question: Should we use all WSIs to characterize the patient, or should we identify the most representative slide for prognosis? Our work seeks to answer this question by performing a comparison of various strategies for predicting survival at the WSI and patient level. The former treats each WSI as an independent sample, mimicking the strategy adopted in other works, while the latter comprises methods to either aggregate the predictions of the several WSIs or automatically identify the most relevant slide using multiple-instance learning (MIL). Additionally, we evaluate different Graph Neural Networks architectures under these strategies. We conduct our experiments using the MMIST-ccRCC dataset, which comprises patients with clear cell renal cell carcinoma (ccRCC). Our results show that MIL-based selection improves accuracy, suggesting that choosing the most representative slide benefits survival prediction.
- Abstract（参考訳）: 腫瘍学者はしばしば、患者の最良の結果を目指して、治療決定を導くために、全体スライド画像(WSI)を含む多数のデータに頼る。
しかし, 癌患者の予後を予測することは, 腫瘍の均一性や患者内変動, およびWSIの分析の複雑さが原因で, 難しい課題となる可能性がある。
これらの画像は非常に大きく、数十億ピクセルのピクセルが含まれており、直接処理にコストがかかり、関連する情報を抽出するために特別な方法を必要とする。
さらに、同一患者の複数のWSIは異なる腫瘍領域を捕捉する可能性がある。
すべてのWSIを使用して患者を特徴づけるべきか、あるいは予後の最も代表的なスライドを特定するべきなのか?
本研究は,WSIおよび患者レベルでの生存を予測するための様々な戦略の比較によって,この問題に対処することを目指している。
前者は、各WSIを独立したサンプルとして扱い、他の作業で採用されている戦略を模倣し、後者は、複数のWSIの予測を集約するか、MIL(Multiple-instance Learning)を使用して、最も関連するスライドを自動的に識別する手法を含む。
さらに、これらの戦略の下で異なるグラフニューラルネットワークアーキテクチャを評価する。
透明細胞腎細胞癌(ccRCC)患者を対象としたMMIST-ccRCCデータセットを用いて実験を行った。
以上の結果から,MILによる選択により精度が向上し,最も代表的なスライドの選択が生存率予測に有効であることが示唆された。
関連論文リスト
- Embedding-based Multimodal Learning on Pan-Squamous Cell Carcinomas for Improved Survival Outcomes [0.0]
PARADIGMは、マルチモーダルで異質なデータセットから学習し、臨床結果の予測を改善するフレームワークである。
膵扁平上皮癌においてGNNを訓練し,Moffitt Cancer Center肺SCCデータに対するアプローチを検証した。
我々のソリューションは、患者の状況を包括的に理解することを目的としており、異種データ統合と最大データビューの収束の利点についての洞察を提供する。
論文 参考訳（メタデータ） (2024-06-11T22:19:14Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳（メタデータ） (2023-03-02T15:18:58Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - TMSS: An End-to-End Transformer-based Multimodal Network for
Segmentation and Survival Prediction [0.0]
腫瘍学者は、分析においてこれを行うのではなく、医療画像や患者の歴史などの複数のソースから、脳内の情報を融合させる。
本研究は,がんの定量化と患者の生存率推定において,腫瘍学者の分析行動を模倣する深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-09-12T06:22:05Z) - Colorectal cancer survival prediction using deep distribution based
multiple-instance learning [5.231498575799198]
分布に基づくマルチインスタンスサバイバル学習アルゴリズム(DeepDisMISL)を開発した。
以上の結果から,WSI に対するパッチスコアの分布に関する情報が増えるほど,予測性能が向上することが示唆された。
DeepDisMISLは、最近発表された最先端のアルゴリズムよりも優れた予測能力を示した。
論文 参考訳（メタデータ） (2022-04-24T14:55:57Z) - Multi-task fusion for improving mammography screening data
classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。
次に、標準モデルの集合戦略とは対照的に、その融合について検討する。
我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文 参考訳（メタデータ） (2021-12-01T13:56:27Z) - MHAttnSurv: Multi-Head Attention for Survival Prediction Using
Whole-Slide Pathology Images [4.148207298604488]
腫瘍スライドの様々な部分に焦点を合わせ,WSIからより包括的な情報抽出を行うマルチヘッドアテンションアプローチを開発した。
われわれのモデルでは平均Cインデックス0.640を達成し、WSIベースの生存予測のための2つの最先端アプローチを上回りました。
論文 参考訳（メタデータ） (2021-10-22T02:18:27Z) - Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。
MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。
ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。
本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
論文 参考訳（メタデータ） (2020-10-24T08:50:26Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z) - 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)
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。