طبقه بندی و پیش بینی جهش (موتاسیون) از تصاویر سرطان ریه

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

تاریخ انتشار
27 جولای 2020
دسته بندی
تعداد بازدیدها
2639 بازدید
43,000 تومان
دانلود اصل مقاله

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).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

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.
    دیدگاهتان را بنویسید