論文の概要: Patient-Level Diagnosis of Acute Myeloid Leukemia via Deep Learning Analysis of Bone Marrow Smear
- arxiv url: http://arxiv.org/abs/2606.10735v1
- Date: Tue, 09 Jun 2026 11:45:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-10 15:40:58.471932
- Title: Patient-Level Diagnosis of Acute Myeloid Leukemia via Deep Learning Analysis of Bone Marrow Smear
- Title（参考訳）: 急性骨髄性白血病の患者レベル診断 : 深層学習による骨髄腫の診断
- Authors: Yuqi Ma, Tianyi Wang, Weihua Meng, Hongru Chen, Fajin Tao, Qunxian Lu, Lin An, Xiaodong Mo, Gen Yang,
- Abstract要約: 骨髄スミア画像からのAML診断のための細胞間深層学習パイプラインを提案する。
グローバルな細胞組成を記述するために16カテゴリーの細胞アノテーション語彙を用いた。
パイプラインは安定した内部検証と外部の一般化を達成し、それぞれセンター4、5、6で0.9076、0.8696、0.9124のアンサンブル重み付きF1スコアを記録した。
- 参考スコア（独自算出の注目度）: 3.524484110386522
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Bone marrow smear review remains important for acute myeloid leukemia (AML) assessment, but manual single-cell interpretation is labor-intensive and patient-level diagnosis requires aggregation of many cellular observations. We present a cell-to-patient deep learning pipeline for AML-assisted diagnosis from bone marrow smear images. The study included 258 patients from six anonymized centers, including a main cohort of 169 patients from Centers 1-3 and an external validation cohort of 89 patients from Centers 4-6. A 16-category cell annotation vocabulary was used to describe the global cellular composition, including granulocytic, monocytic, erythroid, lymphoid, eosinophilic, and other cells. Rather than identifying strict AML blasts or leukemic blasts, the model targets an expert-defined composite category termed Composite Blast-like Cells (CBLC), comprising N, N1, M, M1, R, R1, J, and J1 according to the project-wide morphological standard. A fixed YOLO-based segmentation module detected cells, predicted contours were matched to expert polygon annotations by contour IoU, and standardized single-cell crops were generated. An EfficientNet-B0 classifier was trained through a two-stage GT-to-YOLO and YOLO-to-YOLO strategy with class-imbalance correction, center-border regularization, and morphology-assisted supervision. Cell-level predictions were aggregated into patient-level CBLC ratios for AML-oriented diagnostic support. The pipeline achieved stable internal validation and maintained external generalization, with ensemble weighted F1-scores of 0.9076, 0.8696, and 0.9124 on Centers 4, 5, and 6, respectively.
- Abstract（参考訳）: 骨髄スミアは, 急性骨髄性白血病(AML)の評価において依然として重要であるが, 手動単細胞解釈は労働集約的であり, 患者レベルでの診断には多くの細胞観察の集約が必要である。
骨髄スミア画像からのAML診断のための細胞間深層学習パイプラインを提案する。
調査対象は、Centers 1-3から169名、Centers 4-6から89名、およびCenters 4-6から89名。
顆粒球性,単球性,赤血球性,リンパ性,好酸球性,その他の細胞を含むグローバルな細胞組成を記述するために16カテゴリーの細胞アノテーション語彙を用いた。
このモデルは、厳密なAMLの爆発や白血病の爆発を識別するのではなく、N、N1、M、M1、R1、R1、J、J1からなるCBLC(Composite Blast-like Cells)と呼ばれる専門家定義の複合分類をターゲットにしている。
固定されたYOLOベースのセグメンテーションモジュールが検出され、予測された輪郭は、輪郭IoUによって専門家のポリゴンアノテーションと一致し、標準化された単細胞作物が生成される。
2段階のGT-to-YOLO法とYOLO-to-YOLO法を用いて, クラス不均衡補正, 中心境界正則化, モルフォロジー支援による指導により, 効率的なNet-B0分類器を訓練した。
細胞レベルでの予測を患者レベルのCBLC比に集約し,AMLによる診断支援を行った。
パイプラインは安定した内部検証と外部の一般化を達成し、それぞれセンター4、5、6で0.9076、0.8696、0.9124のアンサンブル重み付きF1スコアを記録した。
関連論文リスト
- IMILIA: interpretable multiple instance learning for inflammation prediction in IBD from H&E whole slide images [2.5182612992285844]
ヘマトキシリンとエオシン(H&E)で染色したIBDデジタル化スライドにおける炎症発生予測のためのエンドツーエンドフレームワークであるIMILIAを導入する。
IMILIAは炎症予測モジュールと、細胞インスタンスの検出のためのHistoPLUSと上皮のセグメンテーションのためのEpiSegの2つのブロックに分けられる解釈性モジュールで構成されている。
高い予測スコアを持つタイルは免疫細胞の密度を増大させるが、低色タイルは正常な上皮細胞を主に含む。
論文 参考訳（メタデータ） (2025-12-15T15:36:09Z) - Multimodal Oncology Agent for IDH1 Mutation Prediction in Low-Grade Glioma [0.5499435453529261]
本研究は,低次グリオーマにおけるIDH1変異予測のためのTITAN基盤モデルに基づく組織学ツールを統合するMOA(Multimodal Oncology Agent)を提案する。
以上の結果から,MOAは外部のバイオメディカルソースを通じて蓄積された相補的突然変異関連情報を捕捉し,正確なIDH1変異予測を可能にする。
論文 参考訳（メタデータ） (2025-12-05T15:43:02Z) - Automated Identification of Incidentalomas Requiring Follow-Up: A Multi-Anatomy Evaluation of LLM-Based and Supervised Approaches [5.958100741754613]
インシデントアロマの微細な病変レベル検出のために,大規模言語モデル(LLM)を教師付きベースラインと比較した。
そこで我々は,病変タグ付き入力と解剖学的認識を用いた新しい推論手法を導入し,基礎モデル推論を推し進めた。
解剖学的インフォームドGPT-OSS-20bモデルが最も高い性能を示し, 奇形腫陽性マクロF1の0.79。
論文 参考訳（メタデータ） (2025-12-05T08:49:57Z) - RAA-MIL: A Novel Framework for Classification of Oral Cytology [0.0]
本稿では,患者の口腔内サイトロジー全体像の診断を行うための,第1の弱教師付き深層学習フレームワークについて紹介する。
本研究は, 口腔細胞診における患者レベルの弱監督型ベンチマークを初めて確立し, 信頼性の高いAI支援型デジタル病理学へ向けたものである。
論文 参考訳（メタデータ） (2025-11-15T15:48:36Z) - Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳（メタデータ） (2025-05-23T14:06:42Z) - CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。
我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
論文 参考訳（メタデータ） (2025-05-09T06:47:23Z) - Multimodal Latent Fusion of ECG Leads for Early Assessment of Pulmonary Hypertension [30.124231086488976]
リード特異的心電図マルチモーダル変分オートエンコーダ(textscLS-EMVAE)を提案する。
textscLS-EMVAEには階層的モダリティエキスパート(HiME)融合機構と遅延表現アライメント損失が組み込まれている。
6L-ECG設定で2つの振り返りコホートでtextscLS-EMVAEを検証する。
論文 参考訳（メタデータ） (2025-03-03T16:16:38Z) - MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳（メタデータ） (2024-06-12T15:22:56Z) - FlowCyt: A Comparative Study of Deep Learning Approaches for Multi-Class Classification in Flow Cytometry Benchmarking [1.6712896227173808]
FlowCytは、フローコードされたデータにおいて、マルチクラスのシングルセル分類のための最初の包括的なベンチマークである。
このデータセットは、30人の患者の骨髄サンプルからなり、各細胞は12個のマーカーで特徴づけられる。
論文 参考訳（メタデータ） (2024-02-28T15:01:59Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Auditing Algorithmic Fairness in Machine Learning for Health with
Severity-Based LOGAN [70.76142503046782]
臨床予測タスクにおいて,局所バイアスを自動検出するSLOGANを用いて,機械学習ベースの医療ツールを補足することを提案する。
LOGANは、患者の重症度と過去の医療史における集団バイアス検出を文脈化することにより、既存のツールであるLOcal Group biAs detectioNに適応する。
SLOGANは, クラスタリング品質を維持しながら, 患者群の75%以上において, SLOGANよりも高い公平性を示す。
論文 参考訳（メタデータ） (2022-11-16T08:04:12Z)
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。