複数の癌型全体にわたる全スライド画像からの腫瘍変異負荷状態を明らかにするための深層学習ベースアプローチ【JST・京大機械翻訳】

Chen Siteng; Xiang Jinxi; Wang Xiyue; Zhang Jun; Yang Sen; Huang Junzhou; Yang Wei; Zheng Junhua; Han Xiao

プレプリント

J-GLOBAL ID：202202217204403108 整理番号：22P0327679

複数の癌型全体にわたる全スライド画像からの腫瘍変異負荷状態を明らかにするための深層学習ベースアプローチ【JST・京大機械翻訳】

Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2022年04月07日プレプリントサーバーでの情報更新日： 2023年05月27日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

腫瘍変異負荷(TMB)は免疫療法の有望なゲノムバイオマーカーである。しかし,全エキソーム配列決定を通して検出されたTMBは,低資源設定における臨床的浸透を欠いている。本研究では,多重癌TMB予測モデル(MC-TMB)のための日常的に使用された全スライド画像からTMB状態の検出に取り組むためのマルチスケール深層学習フレームワークを提案した。MC-TMBは,交差検証コホートにおいて0.818(0.804~0.831)の曲線下面積(AUC)を達成し,各単一スケールモデルに対して優れた性能を示した。また,単一腫瘍モデル上のMC-TMBの改善をx10倍率のアブレーション試験によって確認し,高度に関係する領域は典型的には高密度のリンパ球浸潤と異型腫瘍細胞に対応する。また,MC-TMBアルゴリズムは,0.732(0.683-0.761)のAUCを有する外部検証コホートと他の方法と比較してより良い性能を示した。結論として,著者らは,複数の癌タイプにわたって日常的に使用される病理学的スライドから腫瘍変異負荷状態を明らかにするために,深い学習ベースのアプローチを提案した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

抗腫よう薬の臨床への応用 , 消化器の腫よう

, , , ,

前のページに戻る