論文の概要: Generalisation of automatic tumour segmentation in histopathological whole-slide images across multiple cancer types
- arxiv url: http://arxiv.org/abs/2510.11182v1
- Date: Mon, 13 Oct 2025 09:18:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 18:06:30.290276
- Title: Generalisation of automatic tumour segmentation in histopathological whole-slide images across multiple cancer types
- Title（参考訳）: 多発癌における病理組織学的全スライディング画像における自動腫瘍分割の一般化
- Authors: Ole-Johan Skrede, Manohar Pradhan, Maria Xepapadakis Isaksen, Tarjei Sveinsgjerd Hveem, Ljiljana Vlatkovic, Arild Nesbakken, Kristina Lindemann, Gunnar B Kristensen, Jenneke Kasius, Alain G Zeimet, Odd Terje Brustugun, Lill-Tove Rasmussen Busund, Elin H Richardsen, Erik Skaaheim Haug, Bjørn Brennhovd, Emma Rewcastle, Melinda Lillesand, Vebjørn Kvikstad, Emiel Janssen, David J Kerr, Knut Liestøl, Fritz Albregtsen, Andreas Kleppe,
- Abstract要約: このモデルは,大腸癌,子宮内膜癌,肺癌,前立腺癌患者の20万枚以上の全スライディング画像を用いて開発された。
単一癌型に特有なモデルとユニバーサルモデルを比較した場合, 性能の低下は認められなかった。
- 参考スコア（独自算出の注目度）: 0.5986174494948199
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning is expected to aid pathologists by automating tasks such as tumour segmentation. We aimed to develop one universal tumour segmentation model for histopathological images and examine its performance in different cancer types. The model was developed using over 20 000 whole-slide images from over 4 000 patients with colorectal, endometrial, lung, or prostate carcinoma. Performance was validated in pre-planned analyses on external cohorts with over 3 000 patients across six cancer types. Exploratory analyses included over 1 500 additional patients from The Cancer Genome Atlas. Average Dice coefficient was over 80% in all validation cohorts with en bloc resection specimens and in The Cancer Genome Atlas cohorts. No loss of performance was observed when comparing the universal model with models specialised on single cancer types. In conclusion, extensive and rigorous evaluations demonstrate that generic tumour segmentation by a single model is possible across cancer types, patient populations, sample preparations, and slide scanners.
- Abstract（参考訳）: 深層学習は、腫瘍セグメンテーションなどのタスクを自動化することで病理学者を助けることが期待されている。
本研究の目的は,病理組織像に対する1つの普遍的腫瘍分割モデルの開発であり,その性能を癌の種類別に検討することであった。
このモデルは,大腸癌,子宮内膜癌,肺癌,前立腺癌患者の20万枚以上の全スライディング画像を用いて開発された。
6種類の癌で30万人以上の患者を対象とする外的コホートを事前に検討した。
調査分析には、The Cancer Genome Atlasの1500人以上の患者が含まれていた。
平均Dice係数は,全検体で80%以上,検体では80%以上であった。
単一癌型に特有なモデルとユニバーサルモデルを比較した場合, 性能の低下は認められなかった。
結論として,広範かつ厳密な評価により,がんの種類,患者数,試料製剤,スライドスキャナーなど,単一のモデルによる一般的な腫瘍の分節化が可能であることが示唆された。
関連論文リスト
- Boosting Pathology Foundation Models via Few-shot Prompt-tuning for Rare Cancer Subtyping [80.92960114162746]
視覚言語病理基盤モデルの可能性を生かした新しいフレームワークPathPTを提案する。
PathPTは、WSIレベルの監視を、VLモデルのゼロショット機能を活用することで、きめ細かいタイルレベルのガイダンスに変換する。
以上の結果から,PathPTは一貫して優れた性能を示し,サブタイピング精度と癌領域の接地能力を著しく向上することが示された。
論文 参考訳（メタデータ） (2025-08-21T18:04:41Z) - Machine learning-based multimodal prognostic models integrating pathology images and high-throughput omic data for overall survival prediction in cancer: a systematic review [0.59374762912328]
病理組織学と分子データを統合するマルチモーダル機械学習は、がんの予後を保証している。
我々は,全スライド画像(WSI)と高スループットオミクスを組み合わせて,全体の生存率を予測する研究を体系的に検討した。
全ての研究は、不明瞭/高い偏見、外部検証の制限、臨床的有用性にはほとんど焦点が当てられなかった。
論文 参考訳（メタデータ） (2025-07-22T11:02:51Z) - HoneyBee: A Scalable Modular Framework for Creating Multimodal Oncology Datasets with Foundational Embedding Models [11.03503711055749]
HONeYBEEは、腫瘍学の応用のために、マルチモーダルなバイオメディカルデータを統合したオープンソースのフレームワークである。
臨床データ(構造化および非構造化)、全スライダー画像、放射線スキャン、分子プロファイルを処理し、統合された患者レベルの埋め込みを生成する。
これらの埋め込みは生存予測、がん型の分類、患者の類似性検索、コホートクラスタリングを可能にする。
論文 参考訳（メタデータ） (2024-05-13T04:35:14Z) - Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。
本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。
私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文 参考訳（メタデータ） (2024-02-29T18:57:39Z) - CancerUniT: Towards a Single Unified Model for Effective Detection,
Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection
of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。
ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。
CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文 参考訳（メタデータ） (2023-01-28T20:09:34Z) - 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) - Pan-Tumor CAnine cuTaneous Cancer Histology (CATCH) Dataset [6.547056001246874]
12,424個のポリゴンアノテーションで13の組織学的分類を補完した7種類の犬皮膚腫瘍の350枚のスライド画像からなる公開データセットを報告する。
サンプルのサイズとアノテーションの範囲に関して、これはほとんどの公開データセットを超えており、しばしば腫瘍領域に制限されるか、単にパッチレベルのアノテーションを提供するだけである。
論文 参考訳（メタデータ） (2022-01-27T11:16:26Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳（メタデータ） (2020-11-22T17:31:23Z)
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。