論文の概要: Predicting Genetic Mutations from Single-Cell Bone Marrow Images in Acute Myeloid Leukemia Using Noise-Robust Deep Learning Models

• arxiv url: http://arxiv.org/abs/2506.12798v1
• Date: Sun, 15 Jun 2025 10:15:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.892379
• Title: Predicting Genetic Mutations from Single-Cell Bone Marrow Images in Acute Myeloid Leukemia Using Noise-Robust Deep Learning Models
• Title（参考訳）: 難聴深層学習モデルを用いた急性骨髄性白血病における単細胞骨髄画像からの遺伝的変異の予測
• Authors: Garima Jain, Ravi Kant Gupta, Priyansh Jain, Abhijeet Patil, Ardhendu Sekhar, Gajendra Smeeta, Sanghamitra Pati, Amit Sethi,
• Abstract要約: そこで本研究では,ミエロイドブラストの同定のためのロバストな手法を提案し,その後,単細胞ブラスト画像における遺伝的変異の予測を行った。 白血病細胞(芽細胞)と非白血病細胞(非白血病細胞)を区別するために,初期バイナリ分類器を訓練し,90%の精度を得た。 腫瘍ラベルのノイズにもかかわらず, 変異分類モデルでは4つの変異クラスで85%の精度を達成し, ラベルの不一致に対するレジリエンスを実証した。
• 参考スコア（独自算出の注目度）: 2.6995203611040455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we propose a robust methodology for identification of myeloid blasts followed by prediction of genetic mutation in single-cell images of blasts, tackling challenges associated with label accuracy and data noise. We trained an initial binary classifier to distinguish between leukemic (blasts) and non-leukemic cells images, achieving 90 percent accuracy. To evaluate the models generalization, we applied this model to a separate large unlabeled dataset and validated the predictions with two haemato-pathologists, finding an approximate error rate of 20 percent in the leukemic and non-leukemic labels. Assuming this level of label noise, we further trained a four-class model on images predicted as blasts to classify specific mutations. The mutation labels were known for only a bag of cell images extracted from a single slide. Despite the tumor label noise, our mutation classification model achieved 85 percent accuracy across four mutation classes, demonstrating resilience to label inconsistencies. This study highlights the capability of machine learning models to work with noisy labels effectively while providing accurate, clinically relevant mutation predictions, which is promising for diagnostic applications in areas such as haemato-pathology.
• Abstract（参考訳）: 本研究では,ミエロイドブラストの同定のためのロバストな手法を提案し,その後,単一細胞によるブラスト画像の遺伝的変異の予測,ラベル精度とデータノイズに関する課題について検討した。 白血病細胞(芽細胞)と非白血病細胞(非白血病細胞)を区別するために,初期バイナリ分類器を訓練し,90%の精度を得た。 モデル一般化を評価するため,このモデルを別個の大規模未ラベルデータセットに適用し,2人の造血病理医による予測を検証し,白血病ラベルと非白血病ラベルの近似誤差率を20%とした。 このレベルのラベルノイズを仮定し、特定の突然変異を分類するためのブラストとして予測される画像の4クラスモデルをさらに訓練した。 変異ラベルは、単一のスライドから抽出された細胞画像の袋でのみ知られていた。 腫瘍ラベルのノイズにもかかわらず, 変異分類モデルでは4つの変異クラスで85%の精度を達成し, ラベルの不一致に対するレジリエンスを実証した。 本研究は, 機械学習モデルがノイズラベルを効果的に扱えるようにし, 精度が高く, 臨床的に関係のある突然変異予測を行ない, 造血病理などの領域における診断的応用を約束する。

関連論文リスト

• A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
  白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。 深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。 本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。 提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
  論文  参考訳（メタデータ） (2024-10-18T15:23:34Z)
• Interpretable cancer cell detection with phonon microscopy using multi-task conditional neural networks for inter-batch calibration [39.759100498329275]
  本稿では,バッチ間キャリブレーションを同時に実現する条件付きニューラルネットワークフレームワークを提案する。 異なる実験バッチをトレーニングし、検証することで、我々のアプローチを検証する。 このモデルを拡張して, 診断信号の再構成を行い, 疾患状態を示す有能な特徴の物理的解釈を可能にした。
  論文  参考訳（メタデータ） (2024-03-26T12:20:10Z)
• Segmentation of the veterinary cytological images for fast neoplastic tumors diagnosis [0.14519981310202407]
  本稿では,獣医学における細胞画像のインスタンス分割を行う機械学習システムについて述べる。 システムで使用されるディープラーニングモデルは、平均精度とリコールメトリクスのスコアが高い。
  論文  参考訳（メタデータ） (2023-05-07T17:02:58Z)
• MesoGraph: Automatic Profiling of Malignant Mesothelioma Subtypes from Histological Images [0.0]
  我々は,組織領域をセルレゾリューションに分解できるモデルを学ぶために,ランキング損失を低減した新しいデュアルタスクグラフニューラルネットワーク(GNN)アーキテクチャを開発した。 これにより、サンプル中の全ての細胞のサルコカトイド関連スコアに従って、腫瘍サンプルの定量的なプロファイリングが可能になる。 本モデルで同定された形態的相違は,病理学者が用いた既知の相違と一致することが判明した。
  論文  参考訳（メタデータ） (2023-02-23T11:11:55Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• The effect of variable labels on deep learning models trained to predict breast density [0.0]
  高い乳房密度は、マンモグラフィスクリーニングの有効性の低下と乳癌の発症リスクの増大と関連している。 専門読者による密度評価は、がんリスクと強い関係を示すだけでなく、読影者間の変動も示している。 研究目的と臨床目的の両方に自動手法をどのように活用するかを考える際には,ラベルの変動がモデル性能に与える影響が重要である。
  論文  参考訳（メタデータ） (2022-10-08T21:18:05Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• 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)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。