論文の概要: Vision Transformers with Autoencoders and Explainable AI for Cancer Patient Risk Stratification Using Whole Slide Imaging

• arxiv url: http://arxiv.org/abs/2504.04749v2
• Date: Tue, 08 Apr 2025 03:59:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 10:05:08.575148
• Title: Vision Transformers with Autoencoders and Explainable AI for Cancer Patient Risk Stratification Using Whole Slide Imaging
• Title（参考訳）: オートエンコーダと説明可能なAIを用いた全スライド画像を用いたがん患者のリスク階層化
• Authors: Ahmad Hussein, Mukesh Prasad, Ali Anaissi, Ali Braytee,
• Abstract要約: PATH-Xは、視覚変換器(ViT)と自動エンコーダをSHAP(Shapley Additive Explanations)と統合し、患者の成層化とリスク予測のモデル化性を高めるフレームワークである。 代表画像スライスを各WSIから選択し、Googleの事前訓練されたViTを用いて数値的特徴埋め込みを抽出する。 カプラン・マイアー生存分析を用いて,2つのリスク群と3つのリスク群に層状化を評価する。
• 参考スコア（独自算出の注目度）: 3.6940298700319065
• License:
• Abstract: Cancer remains one of the leading causes of mortality worldwide, necessitating accurate diagnosis and prognosis. Whole Slide Imaging (WSI) has become an integral part of clinical workflows with advancements in digital pathology. While various studies have utilized WSIs, their extracted features may not fully capture the most relevant pathological information, and their lack of interpretability limits clinical adoption. In this paper, we propose PATH-X, a framework that integrates Vision Transformers (ViT) and Autoencoders with SHAP (Shapley Additive Explanations) to enhance model explainability for patient stratification and risk prediction using WSIs from The Cancer Genome Atlas (TCGA). A representative image slice is selected from each WSI, and numerical feature embeddings are extracted using Google's pre-trained ViT. These features are then compressed via an autoencoder and used for unsupervised clustering and classification tasks. Kaplan-Meier survival analysis is applied to evaluate stratification into two and three risk groups. SHAP is used to identify key contributing features, which are mapped onto histopathological slices to provide spatial context. PATH-X demonstrates strong performance in breast and glioma cancers, where a sufficient number of WSIs enabled robust stratification. However, performance in lung cancer was limited due to data availability, emphasizing the need for larger datasets to enhance model reliability and clinical applicability.
• Abstract（参考訳）: がんは世界中で死因の1つであり、正確な診断と予後を必要とする。 Whole Slide Imaging (WSI)は、デジタル病理学の進歩を伴う臨床ワークフローの不可欠な部分となっている。 様々な研究がWSIを利用してきたが、それらの抽出された特徴は最も関連性の高い病理情報を完全には捉えておらず、その解釈可能性の欠如は臨床応用を制限している。 本稿では,視覚変換器(ViT)と自動エンコーダをSHAP(Shapley Additive Explanations)と統合したフレームワークであるPATH-Xを提案する。 代表画像スライスを各WSIから選択し、Googleの事前訓練されたViTを用いて数値的特徴埋め込みを抽出する。 これらの機能はオートエンコーダを通じて圧縮され、教師なしクラスタリングや分類タスクに使用される。 カプラン・マイアー生存分析を用いて,2つのリスク群と3つのリスク群に層状化を評価する。 SHAPは、病理組織学的スライスにマッピングされ、空間的コンテキストを提供するキーコントリビューションの特徴を特定するために使用される。 PATH-Xは乳腺癌とグリオーマ癌において高いパフォーマンスを示し、十分な数のWSIが堅牢な層状化を可能にした。 しかし, 肺がんのパフォーマンスは, 信頼性と臨床応用性を高めるため, より大きなデータセットの必要性を強調した。

関連論文リスト

• Beyond Labels: A Self-Supervised Framework with Masked Autoencoders and Random Cropping for Breast Cancer Subtype Classification [0.3374875022248865]
  この領域でコンピュータビジョンタスクに適した自己教師型埋め込みを学習する。 私たちはWSIから自動的に大規模なデータセットを生成します。 我々は、BRACSデータセット上でのモデルの性能を評価し、既存のベンチマークと比較する。
  論文  参考訳（メタデータ） (2024-10-15T19:13:05Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Large-scale cervical precancerous screening via AI-assisted cytology whole slide image analysis [11.148919818020495]
  頸部がんは婦人科における主要な悪性腫瘍であり続けており、世界規模で女性の健康に永続的な脅威をもたらしている。 Whole Slide Image (WSI) による早期スクリーニングは、このがんの進行を予防し、生存率を向上させるために重要である。 しかし、病理学者の単体検査は、WSI内でレビューする必要がある膨大な数の細胞のために、必然的に偽陰性に悩まされる。
  論文  参考訳（メタデータ） (2024-07-28T15:29:07Z)
• MM-SurvNet: Deep Learning-Based Survival Risk Stratification in Breast Cancer Through Multimodal Data Fusion [18.395418853966266]
  乳がん生存リスク階層化のための新しい深層学習手法を提案する。 画像特徴抽出には視覚変換器、特にMaxViTモデルを使用し、患者レベルでの複雑な画像関係のキャプチャには自己注意を用いる。 二重クロスアテンション機構はこれらの特徴を遺伝データと融合させ、臨床データを最終層に組み込んで予測精度を高める。
  論文  参考訳（メタデータ） (2024-02-19T02:31:36Z)
• A self-supervised framework for learning whole slide representations [52.774822784847565]
  我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。 バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
  論文  参考訳（メタデータ） (2024-02-09T05:05:28Z)
• Context-Aware Self-Supervised Learning of Whole Slide Images [0.0]
  本研究では, 新たな2段階学習手法を提案する。 WSI内のすべての領域間の依存関係をキャプチャするグラフ表現は非常に直感的です。 スライド全体はグラフとして表示され、ノードはWSIのパッチに対応する。 提案したフレームワークは、前立腺癌と腎癌からのWSIを用いてテストされる。
  論文  参考訳（メタデータ） (2023-06-07T20:23:05Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• BRACS: A Dataset for BReAst Carcinoma Subtyping in H&E Histology Images [4.974822167947921]
  BReAst Carcinoma Subtyping dataset, a large cohort of annotated Hematoxylin & Eosin (H&E)-stained image to help the characterized of breast lesions。 BRACSには、WSIsから抽出された547個の全スライド画像(WSI)と4539個の関心領域(ROI)が含まれている。
  論文  参考訳（メタデータ） (2021-11-08T15:04:16Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)

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。