論文の概要: Automating tumor-infiltrating lymphocyte assessment in breast cancer histopathology images using QuPath: a transparent and accessible machine learning pipeline
- arxiv url: http://arxiv.org/abs/2504.16979v1
- Date: Wed, 23 Apr 2025 17:54:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.1116
- Title: Automating tumor-infiltrating lymphocyte assessment in breast cancer histopathology images using QuPath: a transparent and accessible machine learning pipeline
- Title（参考訳）: QuPathを用いた乳癌組織像における腫瘍浸潤リンパ球の自動評価
- Authors: Masoud Tafavvoghi, Lars Ailo Bongo, André Berli Delgado, Nikita Shvetsov, Anders Sildnes, Line Moi, Lill-Tove Rasmussen Busund, Kajsa Møllersen,
- Abstract要約: 腫瘍浸潤リンパ球(TIL)の評価パイプラインをQuPath内に構築した。
我々は,QuPathに事前学習したStarDist深層学習モデルを適用し,抽出したセル特徴を用いてバイナリ分類器を訓練した。
このパイプラインは病理学者が指定したTILスコアに対して評価し,外部試験セットでCohenのカッパ0.71を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we built an end-to-end tumor-infiltrating lymphocytes (TILs) assessment pipeline within QuPath, demonstrating the potential of easily accessible tools to perform complex tasks in a fully automatic fashion. First, we trained a pixel classifier to segment tumor, tumor-associated stroma, and other tissue compartments in breast cancer H&E-stained whole-slide images (WSI) to isolate tumor-associated stroma for subsequent analysis. Next, we applied a pre-trained StarDist deep learning model in QuPath for cell detection and used the extracted cell features to train a binary classifier distinguishing TILs from other cells. To evaluate our TILs assessment pipeline, we calculated the TIL density in each WSI and categorized them as low, medium, or high TIL levels. Our pipeline was evaluated against pathologist-assigned TIL scores, achieving a Cohen's kappa of 0.71 on the external test set, corroborating previous research findings. These results confirm that existing software can offer a practical solution for the assessment of TILs in H&E-stained WSIs of breast cancer.
- Abstract（参考訳）: 本研究では,QuPath内に腫瘍浸潤性リンパ球(TIL)評価パイプラインを構築し,複雑なタスクを完全自動で実行できるツールの可能性を示した。
まず, 乳癌における腫瘍, 腫瘍関連肉芽腫, その他の組織区画を分離するための画素分類器を訓練し, 腫瘍関連肉芽腫を分離し, その後の解析を行った。
次に,QuPathに事前学習したStarDist深層学習モデルを適用し,抽出したセル特徴を用いて,TILを他の細胞と区別するバイナリ分類器を訓練した。
評価パイプラインを評価するため,各WSIのTIL密度を算出し,それらを低,中,高のTILレベルに分類した。
このパイプラインは, 病理学者が指定したTILスコアに対して評価し, コーエンのカッパ0.71を外部試験セットで達成し, 過去の研究結果と相関した。
これらの結果から,既存ソフトウェアは乳がんのH&E染色WSIのTIL評価に実用的な解決策を提供することができることが確認された。
関連論文リスト
- ECTIL: Label-efficient Computational Tumour Infiltrating Lymphocyte (TIL) assessment in breast cancer: Multicentre validation in 2,340 patients with breast cancer [17.91294880294883]
腫瘍浸潤リンパ球のレベル(TILs)は、(三重複陰性)乳癌の予後因子である。
現在の計算的TILアセスメント(CTA)モデルは、多くの詳細なアノテーションに依存している。
我々は,100倍少ない病理学アノテーションで10分で学習できる,根本的にシンプルなディープラーニングベースモデルを提案する。
論文 参考訳（メタデータ） (2025-01-24T10:28:05Z) - Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example [40.3927727959038]
本稿では,画像の高速分類に畳み込みニューラルネットワーク(CNN)を用いる手法を提案する。
病理像を良性群と悪性群に迅速かつ自動分類することができる。
本手法は乳がんの病理像の分類における精度を効果的に向上することを示す。
論文 参考訳（メタデータ） (2024-04-12T07:08:05Z) - An Automated Pipeline for Tumour-Infiltrating Lymphocyte Scoring in
Breast Cancer [10.595165443979857]
腫瘍浸潤リンパ球(TILs)は3重陰性およびヒト上皮成長因子受容体2(HER2)陽性乳癌の予後マーカーとして有用であると考えられている。
本稿では,乳がん全スライディング画像のTILスコアを予測するために,効率的なUNetアーキテクチャに基づく革新的なディープラーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2023-11-10T17:06:28Z) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳（メタデータ） (2022-09-27T14:08:19Z) - EGFR Mutation Prediction of Lung Biopsy Images using Deep Learning [1.793983482813105]
本研究では,EGFR変異の形態的相関を識別するために,教師の弱いカスタマイズ深層学習パイプラインを用いた。
病理組織学的に腺癌と扁平上皮癌との鑑別は0.942であった。
EGFR検出では,TGAデータセットでは平均0.864AUC,インドからのデータセットでは0.783AUCを達成した。
論文 参考訳（メタデータ） (2022-08-26T08:56:33Z) - EBHI:A New Enteroscope Biopsy Histopathological H&E Image Dataset for
Image Classification Evaluation [29.162527503224364]
大腸癌は世界で3番目に多いがんであり、がん患者の約10%を占めている。
本稿では,新たに公開された内視鏡生検生検生検生データ(EBHI)について報告する。
従来の機械学習手法は76.02%の最大精度を達成し、ディープラーニング手法は95.37%の最大精度を達成している。
論文 参考訳（メタデータ） (2022-02-17T09:53:02Z) - A Pragmatic Machine Learning Approach to Quantify Tumor Infiltrating
Lymphocytes in Whole Slide Images [0.0]
がん組織における腫瘍浸潤リンパ球(TIL)の上昇は、多くの種類のがんにおいて好ましい結果を示す。
本研究の目的は,肺がん患者の標準診断ヘマトキシリンおよびエオシン染色部(H&Eスライス)の全スライド画像(WSI)中のTILを自動的に定量化することである。
論文 参考訳（メタデータ） (2022-02-14T10:22:10Z) - 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) - Deep Learning for Breast Cancer Classification: Enhanced Tangent
Function [27.761266391596262]
近年,畳み込みニューラルネットワークを用いた深層学習は,乳房細胞の画像の正確な分類に成功している。
Patch-based Adaptive Deepal Neural Network (DCNN) を用いて乳癌の分類精度を高めることを目的とした。
提案手法は, 画像コントラストを向上し, 消失勾配を減少させることにより, がんの精度を高めることに焦点を当てた。
論文 参考訳（メタデータ） (2021-07-01T08:36:27Z)
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。