論文の概要: Pathobiological Dictionary Defining Pathomics and Texture Features: Addressing Understandable AI Issues in Personalized Liver Cancer; Dictionary Version LCP1.0
- arxiv url: http://arxiv.org/abs/2505.14926v1
- Date: Tue, 20 May 2025 21:23:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-22 15:42:58.764114
- Title: Pathobiological Dictionary Defining Pathomics and Texture Features: Addressing Understandable AI Issues in Personalized Liver Cancer; Dictionary Version LCP1.0
- Title（参考訳）: 病態とテクスチュアの特徴を規定する病理組織辞典:パーソナライズド肝癌における理解可能なAI問題への対処; LCP1.0
- Authors: Mohammad R. Salmanpour, Seyed Mohammad Piri, Somayeh Sadat Mehrnia, Ahmad Shariftabrizi, Masume Allahmoradi, Venkata SK. Manem, Arman Rahmim, Ilker Hacihaliloglu,
- Abstract要約: 本研究は肝癌の病理組織学的辞書(LCP1.0)を紹介する。
複雑な病的・放射線学的特徴(PFとRF)を臨床的に意味のある知見に翻訳するために設計されたフレームワークである。
AI出力と専門家の解釈の間に臨床的に検証されたブリッジを提供し、モデルの透明性とユーザビリティを高める。
- 参考スコア（独自算出の注目度）: 0.8586471543865036
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Artificial intelligence (AI) holds strong potential for medical diagnostics, yet its clinical adoption is limited by a lack of interpretability and generalizability. This study introduces the Pathobiological Dictionary for Liver Cancer (LCP1.0), a practical framework designed to translate complex Pathomics and Radiomics Features (PF and RF) into clinically meaningful insights aligned with existing diagnostic workflows. QuPath and PyRadiomics, standardized according to IBSI guidelines, were used to extract 333 imaging features from hepatocellular carcinoma (HCC) tissue samples, including 240 PF-based-cell detection/intensity, 74 RF-based texture, and 19 RF-based first-order features. Expert-defined ROIs from the public dataset excluded artifact-prone areas, and features were aggregated at the case level. Their relevance to the WHO grading system was assessed using multiple classifiers linked with feature selectors. The resulting dictionary was validated by 8 experts in oncology and pathology. In collaboration with 10 domain experts, we developed a Pathobiological dictionary of imaging features such as PFs and RF. In our study, the Variable Threshold feature selection algorithm combined with the SVM model achieved the highest accuracy (0.80, P-value less than 0.05), selecting 20 key features, primarily clinical and pathomics traits such as Centroid, Cell Nucleus, and Cytoplasmic characteristics. These features, particularly nuclear and cytoplasmic, were strongly associated with tumor grading and prognosis, reflecting atypia indicators like pleomorphism, hyperchromasia, and cellular orientation.The LCP1.0 provides a clinically validated bridge between AI outputs and expert interpretation, enhancing model transparency and usability. Aligning AI-derived features with clinical semantics supports the development of interpretable, trustworthy diagnostic tools for liver cancer pathology.
- Abstract（参考訳）: 人工知能(AI)は医学診断に強い可能性を秘めているが、その臨床応用は解釈可能性と一般化性の欠如によって制限されている。
本研究は, 複雑な病的・放射線学的特徴(PF, RF)を, 既存の診断ワークフローに沿った臨床的に有意義な知見に翻訳する実用的な枠組みである肝癌診断用病理学辞典(LCP1.0)を紹介する。
IBSIガイドラインに従って標準化されたQuPathとPyRadiomicsは、肝細胞癌(HCC)組織サンプルから333のイメージング特徴を抽出するために使用された。
公開データセットから専門家が定義したROIは、アーティファクトが発生しやすい領域を除外し、ケースレベルで特徴を集約した。
WHOグレーティングシステムとの関連性は,特徴セレクタにリンクした複数の分類器を用いて評価した。
結果として得られた辞書は、腫瘍学と病理学の専門家8名によって検証された。
専門医10名と共同で,PFsやRFなどの画像特徴の病理組織学的辞書を開発した。
そこで本研究では,SVMモデルと組み合わせた可変閾値特徴選択アルゴリズムを用いて,Centroid,Cell Nucleus,Cytoplasmicなどの臨床・病理特性の20種類の重要な特徴を抽出し,高い精度(0.80,P値0.05未満)を得た。
これらの特徴、特に核と細胞質は腫瘍のグレーディングと予後に強く関連しており、多型、高色腫症、細胞指向などの気腫の指標を反映しており、LCP1.0はAI出力と専門家の解釈の間に臨床的に検証された橋渡しを提供し、モデルの透明性とユーザビリティを高めている。
臨床的セマンティクスを用いたAI由来の機能の調整は、肝臓がんの病理診断のための解釈可能で信頼できる診断ツールの開発を支援する。
関連論文リスト
- A Comparative Analysis of Image Descriptors for Histopathological Classification of Gastric Cancer [39.69192026190426]
胃がんは世界で5番目に多く、致死率も4番目に高く、5年生存率は約20%である。
本研究は, 組織像を健康・癌カテゴリに分類するために, 機械学習と深層学習技術を用いた。
論文 参考訳（メタデータ） (2025-03-21T12:46:22Z) - Hybrid Interpretable Deep Learning Framework for Skin Cancer Diagnosis: Integrating Radial Basis Function Networks with Explainable AI [1.1049608786515839]
皮膚がんは世界中で最も流行し、致命的な疾患の1つである。
本稿では,畳み込みニューラルネットワーク(CNN)とラジアル基底関数(RBF)ネットワークを統合するハイブリッドディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-24T19:19:02Z) - A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。
KEEPはゼロショット癌診断タスクにおいて最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-12-17T17:45:21Z) - TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。
VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。
本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文 参考訳（メタデータ） (2024-11-05T19:35:10Z) - AI-assisted prostate cancer detection and localisation on biparametric MR by classifying radiologist-positives [5.75804178993065]
本稿では,がん診断の総合的精度を向上させるためのディープラーニングモデルを提案する。
一つのボクセルレベルの分類モデルを構築し、単純なパーセンテージ閾値で正のケースを判定する。
2つの臨床データから得られた実験から,提案手法が診断精度を向上させることを示す。
論文 参考訳（メタデータ） (2024-10-30T14:59:57Z) - 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) - Meta-information-aware Dual-path Transformer for Differential Diagnosis
of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。
提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。
以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-03-02T03:34:28Z) - Detecting Histologic & Clinical Glioblastoma Patterns of Prognostic
Relevance [6.281092892485014]
グリオ芽腫は中枢神経系で最も一般的で攻撃的な悪性成人腫瘍である。
18年前に現在の標準治療を採用して以降,実質的な予後改善は認められていない。
ここでは,H&E染色WSIとOSに関する臨床データから,予後関連特性の同定に焦点をあてる。
論文 参考訳（メタデータ） (2023-02-01T18:56:09Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳（メタデータ） (2022-02-17T08:33:52Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳（メタデータ） (2021-10-05T19:14:46Z) - 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)
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。