Machine learning-based analysis of glioma tissue sections: a review

要約

近年、神経膠腫の診断はますます複雑になっています。
最新の機械学習技術を使用した神経膠腫組織の組織学的評価は、診断と転帰予測をサポートする新たな機会を提供します。
研究の現状を概観するために、このレビューでは、染色されたヒト神経膠腫組織切片の機械学習ベースの分析に関する、サブタイプ (16/70)、等級付け (23/70) の診断タスクをカバーする 70 件の公開研究を調査します。
、分子マーカー予測 (13/70)、および生存予測 (27/70)。
すべての研究は方法論的側面および臨床応用可能性に関してレビューされました。
現在の研究の焦点は、成人型びまん性神経膠腫のヘマトキシリンおよびエオシン染色された組織切片の評価であることが判明した。
研究の大部分 (49/70) は、The Cancer Genome Atlas (TCGA) から公的に入手可能な神経膠芽腫および低悪性度神経膠腫のデータセットに基づいており、他のデータセットを単独で使用した研究 (10/70) またはそれに加えて使用した研究はわずかでした。
TCGA データセット (11/70)。
現在のアプローチは主に、20 倍の倍率 (30/70) で組織を分析する畳み込みニューラル ネットワーク (53/70) に依存しています。
新しい研究分野は、臨床データ、オミクスデータ、または磁気共鳴画像法の統合です (27/70)。
これまでのところ、機械学習ベースの手法は有望な結果をもたらしていますが、実際の臨床現場ではまだ使用されていません。
今後の研究は、日常的な適用性を実証するために、高品質で最新の臨床および分子病理学の注釈を備えた、より大規模なマルチサイト データセットに対する手法の独立した検証に焦点を当てる必要があります。

要約(オリジナル)

In recent years, the diagnosis of gliomas has become increasingly complex. Histological assessment of glioma tissue using modern machine learning techniques offers new opportunities to support diagnosis and outcome prediction. To give an overview of the current state of research, this review examines 70 publicly available research studies on machine learning-based analysis of stained human glioma tissue sections, covering the diagnostic tasks of subtyping (16/70), grading (23/70), molecular marker prediction (13/70), and survival prediction (27/70). All studies were reviewed with regard to methodological aspects as well as clinical applicability. It was found that the focus of current research is the assessment of hematoxylin and eosin-stained tissue sections of adult-type diffuse gliomas. The majority of studies (49/70) are based on the publicly available glioblastoma and low-grade glioma datasets from The Cancer Genome Atlas (TCGA) and only a few studies employed other datasets in isolation (10/70) or in addition to the TCGA datasets (11/70). Current approaches mostly rely on convolutional neural networks (53/70) for analyzing tissue at 20x magnification (30/70). A new field of research is the integration of clinical data, omics data, or magnetic resonance imaging (27/70). So far, machine learning-based methods have achieved promising results, but are not yet used in real clinical settings. Future work should focus on the independent validation of methods on larger, multi-site datasets with high-quality and up-to-date clinical and molecular pathology annotations to demonstrate routine applicability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google