関連する実験動画
Updated: Nov 6, 2025

08:16
Comparative Lesions Analysis Through a Targeted Sequencing Approach
Published on: November 5, 2019
6.9K
AIベースの病理学は,未知の原発がんの起源を予測する
Ming Y Lu1,2,3, Tiffany Y Chen1,2, Drew F K Williamson1,2
1Department of Pathology, Brigham and Women's Hospital, Harvard Medical School, Boston, MA, USA.
Nature
|May 6, 2021
まとめ
新しいディープラーニングアルゴリズム TOADは ヒストロジースライドを使って ガン腫瘍の起源を特定できます このツールは,未知の原発性 (CUP) と転移性腫瘍の診断を助け,診断の複雑さを潜在的に軽減します.
科学分野:
- 腫瘍学
- コンピューター病理学
- 医療における人工知能
背景:
- 未知の原発性がん (CUP) は,治療法はしばしば部位特異的であるため,診断上の課題を提示します.
- 腫瘍の起源を決定する現在の方法は,特に資源が少ない環境では,普遍的にアクセスできず,臨床的に実装されていません.
- ヒストロジースライドは,日常的に取得されますが,CUPのプライマリサイト決定にはあまり使用されません.
研究 の 目的:
- ヒストロジースライドから原発腫瘍を予測するためのディープラーニングアルゴリズムの開発と検証.
- 未知の原発性 (CUP) の転移性腫瘍および癌の差異診断を行うこと.
- CUPの伝統的な診断方法の代替手段や補完手段を提供すること.
主な方法:
- ディープラーニングによる腫瘍起源評価 (TOAD) というディープラーニングモデルの開発
- 既知の原発の腫瘍の全スライド画像でモデルを訓練する.
- CUPケースの管理されたデータセットでモデルを検証する.
主要な成果:
- TOADモデルは,内部テストセットで0.83のトップ-1精度と0.96のトップ-3精度を達成しました.
- 外部テストセットでは,モデルがトップ1の精度0.80とトップ3の精度0.93を示した.
- 317件のCUP症例において,TOADは61%の一致と82%のトップ3の合意を示した.
結論:
- TOADは ヒストロジー・スライドから 腫瘍の原点を予測する 効果的な ディープラーニング・ツールです
- このアルゴリズムは,転移した腫瘍と未知の原発性がん (CUP) の診断に役立ちます.
- TOADは診断プロセスを効率化し,広範な作業への依存を軽減し,CUPの発生を減少させる可能性があります.
さらに関連する動画
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
306
10:27Testing Targeted Therapies in Cancer using Structural DNA Alteration Analysis and Patient-Derived Xenografts
Published on: July 25, 2020
7.5K