論文の概要: Automated PD-L1 Tumor Proportion Scoring with Uncertainty-Guided Triage in Non-Small Cell Lung Cancer
- arxiv url: http://arxiv.org/abs/2611.16907v1
- Date: Thu, 12 Nov 2026 15:01:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.493907
- Title: Automated PD-L1 Tumor Proportion Scoring with Uncertainty-Guided Triage in Non-Small Cell Lung Cancer
- Title(参考訳): 非小細胞肺癌における不確かさ誘導トリアージによるPD-L1腫瘍検出の自動化
- Abstract要約: Programmed Death-ligand 1 (PD-L1) tumor proportion score (TPS) は非小細胞肺癌における免疫療法の選択を通知する。
腫瘍領域を同定し,マクロファージに富むパッチを除外する3段階のフレームワークを設計した。
二重ブランチ細胞カウントネットワーク(D2Count-Net)であるStage 2は、これらの領域においてPD-L1陽性およびPD-L1陰性腫瘍細胞をカウントし、TPSを計算する。
不確実性誘導トリアージ機構であるTPS-Guardは、独立に訓練されたモデル間の不一致としてモデル不確かさを報告している。
- 参考スコア(独自算出の注目度): 1.4003126287950378
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Programmed death-ligand 1 (PD-L1) tumor proportion score (TPS) informs immunotherapy selection in non-small cell lung cancer. Near the 1% and 50% cutoffs, the score should also indicate when closer review is warranted. We designed a three-stage framework to follow the sequence of TPS assessment. Stage 1 identifies tumor regions and excludes macrophage-rich patches. Stage 2, a dual-branch cell counting network (D2Count-Net), counts PD-L1-positive and PD-L1-negative tumor cells in these regions to calculate TPS. Stage 3, TPS-Guard, an uncertainty-guided triage mechanism, reports model uncertainty as the disagreement among independently trained models, refers the most uncertain slides, and flags scores near the 1% or 50% cutoff when model estimates disagree across that cutoff. Flags state the reason for referral or alert the pathologist to possible scoring errors on auto-reported slides. In a retrospective, single-center study, 154 whole-slide images were scored by three pathologists, and the model and each pathologist were compared in turn with the mean of the other two. On the 114 slides unseen in training, model mean absolute error (MAE) was 6.96 percentage points, within the range of the three pathologists (4.24 to 8.29), and model uncertainty correlated with absolute TPS error (Spearman rho = 0.77) and inter-pathologist disagreement (rho = 0.71). After referral of the 15% most uncertain slides, model and pathologist MAE both decreased. Applied without retraining to an external, publicly available dataset, TPS-Guard still directed review to higher-error cases, and referring more uncertain cases raised sensitivity at the 50% cutoff. TPS-Guard provides reasons for reviewing individual automated scores and identifies slides that also produce greater disagreement among pathologists. Prospective reader studies should assess TPS-Guard's effect on TPS reporting.
- Abstract(参考訳): Programmed Death-ligand 1 (PD-L1) tumor proportion score (TPS) は非小細胞肺癌における免疫療法の選択を通知する。
1%のカットオフと50%のカットオフに近づいた場合、詳細なレビューが保証された場合にもスコアが示される。
我々は、TPSアセスメントのシーケンスに従う3段階のフレームワークを設計した。
ステージ1は腫瘍領域を特定し、マクロファージに富んだパッチを除外する。
二重ブランチ細胞カウントネットワーク(D2Count-Net)であるStage 2は、これらの領域においてPD-L1陽性およびPD-L1陰性腫瘍細胞をカウントし、TPSを計算する。
ステージ3 TPS-Guardは、不確実性誘導トリアージ機構であり、独立に訓練されたモデル間の不一致としてモデル不確かさを報告し、最も不確実なスライドを参照し、そのカットオフでモデル推定が一致しない場合、フラグが1%または50%のカットオフ付近でスコアを出力する。
フラッグは、参照する理由や、病理医に自動報告されたスライドでエラーをスコア付けできるように警告する。
振り返り調査では,3人の病理医が全スライディング画像154枚を収集し,各病理医とモデルの平均値とを交互に比較した。
トレーニング中の114枚のスライドでは、モデル平均絶対誤差(MAE)は3人の病理医の範囲内(4.24から8.29)で6.96ポイントであり、絶対TPS誤差(Spearman rho = 0.77)と病理医間の不一致(rho = 0.71)と相関している。
最も不確実な15%のスライドが紹介された後、モデルと病理学者のMAEはともに低下した。
外部の公開データセットを再トレーニングすることなく、TPS-Guard氏は高いエラーケースに対するレビューを指示し、50%のカットオフでセンシティブなケースに言及した。
TPS-Guardは、個々の自動スコアをレビューする理由を提供し、また、病理学者の間で大きな意見の相違をもたらすスライドを特定する。
TPSレポートに対するTPS-Guardの効果について検討する。
関連論文リスト
- AdaptAD: Foundation Model Adaptation with Missing Modality Robustness for Alzheimer's Disease Staging Across the Disease Continuum [0.26999000177990923]
AdaptADは低ランク適応(LoRA)で凍結したImageNet-pretrained ViT-B/16に適応する
モルフォメトリは、存在時にトークンとして、あるいは学習した[MISSING]トークンとして入力され、不足認識のスタックアが両専門家を混乱させます。
パラメータ効率のよい2-Dファンデーションモデルは、モルフォメトリーなしで通常のT1スキャンから完全なAD連続体をステージ化し、メモリ・クリニックデプロイメントへのスケーラブルなルートを提供する。
論文 参考訳(メタデータ) (2026-10-19T03:52:13Z) - HierarchiRetina: A Diabetic Retinopathy Screening and Grading Cascade with Heterogeneous Mixture-of-Experts Lesion Segmentation [0.5949779668853556]
HierarchiRetinaは検査可能なステージ出力を備えたスクリーニング、セグメンテーション、グレーディングカスケードである。
HSMoE-AUNetは、スキップ、ボトルネック、デコーダブロックが異種専門家のまばらな混合であるU-Netである。
LG-DRGは、経常的重症度からグレードビリティを分離し、病変マスクがクロスアテンションを通して画像に問い合わせることを可能にする。
論文 参考訳(メタデータ) (2026-10-13T08:19:28Z) - Contamination, Prior, or Evidence? Decomposing and Training Evidence Use in Whole-Slide Vision-Language Models [15.714715019257149]
画像および質問側汚染の除去を目的としたTCGAベースのVQAベンチマークを提案する。
Pair-DPOは、同じ質問と情報源から、対実的なスライド対よりも優先的な損失である。
提案手法は,CleanSlideの画像証拠から15.29%を得たが,最も優れたモデルでは2.81%であった。
論文 参考訳(メタデータ) (2026-09-26T03:19:52Z) - The Diagnosis a Reporter Leaves Unspoken: Surfacing Frozen Tumor Features for Brain-Tumor MRI Reporting [0.9283653948385912]
有能な脳MRIレポートジェネレータは診断的に静かである。
NeuroFusionはそれをオーバーライドするのではなく、この潜伏シグナルを表面化する。
ボード認証された2人の神経学者は、それぞれの腫瘍タイプでNeuroFusionを個別に評価した。
論文 参考訳(メタデータ) (2026-09-02T10:29:53Z) - RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。
RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。
検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
論文 参考訳(メタデータ) (2026-07-25T16:58:10Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳(メタデータ) (2024-05-16T03:23:57Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Slice-by-slice deep learning aided oropharyngeal cancer segmentation
with adaptive thresholding for spatial uncertainty on FDG PET and CT images [0.0]
腫瘍セグメンテーションは放射線治療計画の基本的なステップである。
本研究は,GTVpスライス・バイ・スライス・スライス・スライス・セグメンテーションにおける放射線医学者を支援するための新しい自動深層学習(DL)モデルを提案する。
論文 参考訳(メタデータ) (2022-07-04T15:17:44Z) - CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung
Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans [36.093580055848186]
肺腺癌(LAUC)は近年最も多い疾患である。
肺結節の侵襲性に関するタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減させる。
LAUCの浸潤度を評価し,予測するための主要な画像モダリティは胸部CTである。
本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。
論文 参考訳(メタデータ) (2021-10-17T04:37:24Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳(メタデータ) (2021-06-04T09:51:27Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳(メタデータ) (2020-04-02T21:49:14Z)
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。