light box
امتیاز 2.65 طبقه بندی و پیش بینی جهش (موتاسیون) از تصاویر سرطان ریه">

نوع فایل : word
تعداد صفحات : 20
تعداد کلمات : 7100
مجله : Nature medicine
انتشار : 2019
ترجمه ی متون جدول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
فونت ترجمه : ب نازنین 12
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ، ،

عنوان فارسی مقاله:طبقه بندی و پیش بینی جهش (موتاسیون) از تصاویر هیستوپاتولوژی سرطان ریه‌ی سلول‌های غیر کوچک با استفاده از یادگیری عمیق

چکیده

 بررسی چشمی اسلایدهای هیستوپاتولوژی، یکی از روش‌های اصلی مورد استفاده توسط پاتولوژیست‌ها به منظور ارزیابی مرحله، نوع و زیر نوع تومورهای ریه می‌باشد. آدنوکارسینوم (LUAD) و کارسینومای سلول سنگفرشی (LUSC)، از شایع‌ترین و غالب‌ترین زیر نوع‌های سرطان ریه بوده و تمایز آن‌ها نیازمند بازرسی چشمی توسط یک پاتولوژیست با تجربه است. در این مطالعه، ما یک شبکه‌ی عصبی پیچشی عمیق (اینسپشن V3) را روی تصاویر اسلاید کامل بدست آمده از اطلس ژنوم سرطان به منظور طبقه بندی دقیق و خودکار آن‌ها به LUAD، LUSC و بافت ریه‌ی نرمال آموزش دادیم. عملکرد روش ما مشابه و قابل مقایسه با عملکرد روش‌های پاتولوژیست‌ها با سطح میانگین تحت منحنی AUC برابر با ۰٫۹۷ می‌باشد(تصاویر هیستوپاتولوژی سرطان ریه). مدل ما، بر روی مجموعه داده‌های مستقل بافت های منجمد، بافت های آغشته به پارافین و تثبیت شده با فرمالین و بافت برداری زنده یا بیوپسی، اعتبار سنجی گردید. به علاوه، ما شبکه را برای یش بینی ده مورد از متداول‌ترین ژن‌های جهش یافته در LUAD، آموزش دادیم. نتایج نشان داد که شش مورد از آن‌ها STK11, EGFR, FAT1, SETBP1, KRAS و TP53 – را می‌توان از تصاویر پاتولوژی پیش بینی کرد. AUC های متغیر از ۰٫۷۳۳ تا ۰٫۸۵۶، از جمعیت اندازه گیری شد. این یافته‌ها نشان می‌دهد که مدل‌های یادگیری عمیق می‌تواند به پاتولوژیست‌ها در تشخیص زیر نوع سرطان یا جهش ژن کمک کند. رویکرد ما را می‌توان برای هر نوع سرطان استفاده کرد(تصاویر هیستوپاتولوژی سرطان ریه).

Title: Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning

Abstract

Visual inspection of histopathology slides is one of the main methods used by pathologists to assess the stage, type and subtype of lung tumors. Adenocarcinoma (LUAD) and squamous cell carcinoma (LUSC) are the most prevalent subtypes of lung cancer, and their distinction requires visual inspection by an experienced pathologist. In this study, we trained a deep convolutional neural network (inception v3) on whole-slide images obtained from The Cancer Genome Atlas to accurately and automatically classify them into LUAD, LUSC or normal lung tissue. The performance of our method is comparable to that of pathologists, with an average area under the curve (AUC) of 0.97. Our model was validated on independent datasets of frozen tissues, formalin-fixed paraffin-embedded tissues and biopsies. Furthermore, we trained the network to predict the ten most commonly mutated genes in LUAD. We found that six of them—STK11, EGFR, FAT1, SETBP1, KRAS and TP53—can be predicted from pathology images, with AUCs from 0.733 to 0.856 as measured on a held-out population. These findings suggest that deep-learning models can assist pathologists in the detection of cancer subtype or gene mutations.

    ثبت دیدگاه

      • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
      • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
      • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.

    برای ارسال دیدگاه شما باید وارد سایت شوید.

    محصولات مشابه
    اثرات اینترفرون آلفا و درمان سیکلوسپورین به طور جداگانه و به صورت ترکیبی
    خـریـد محـصـول
    راهنمای ایمنی جاده، راهنمایی برای متخصصان، مدیریت ایمنی جاده، سیستم مدیریت ایمنی
    خـریـد محـصـول
    ساختار کریستال یا بلورین دومین اتصال RNA پروتئین نوکلئوکپسید SARS-CoV-2
    خـریـد محـصـول
    اثر روش‌های سنتز بر روی کارایی کاتالیزورهای سه راهه Pt + Rh/Ce0.6Zr0.4O2
    خـریـد محـصـول
    کاتالیزورهای سه راهه xZr1−xO2/Al2O3 Pd/Ce جدید تولید شده با میکرو امولسیون
    خـریـد محـصـول
    تثبیت محلول‌های جامد CeO2-ZrO2 با ساختار نانو با افزایش AL2O3
    خـریـد محـصـول
    اثر ضد میگرنی Δ۹-تتراهیدروکانابینول در موش صحرایی ماده
    خـریـد محـصـول
    کانابیدیول یک روش درمانی بالقوه برای بعد عاطفی-انگیزشی درد پس از عمل
    خـریـد محـصـول
    حساسیت مختص به گونه به تشنج‌های ناشی از مصرف ماری جوانا
    خـریـد محـصـول
    بهینه ساز بادبان ماهی: یک الگوریتم فراابتکاری الهام گرفته از طبیعت جدید
    خـریـد محـصـول
    ثبت اختراع یا انتشار مقاله

    ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

    در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

    از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

    برو بالا