Renal Cell Carcinoma subtyping: learning from multi-resolution localization

要約

腎細胞がんは通常、多くの患者において初期段階では無症状です。
これにより、腫瘍の診断が遅れ、治癒の可能性が低くなり、腎細胞癌の発生率に比べて死亡率が高くなります。
生存の可能性を高めるには、腫瘍のサブタイプを迅速かつ正確に分類することが最も重要です。
現在、人工知能に基づいたコンピューター化された方法は、顕微鏡ベースの腎細胞癌診断の生産性と客観性を向上させる興味深い機会となっています。
それにもかかわらず、その活用の多くは、教師あり機械学習テクノロジーの熟練したトレーニングに不可欠な注釈付きデータセットの不足によって妨げられています。
この研究は、組織学的サンプルの多重解像度の性質に基づいて、機械学習診断ツールのための新しい自己教師ありトレーニング戦略を調査することを目的としています。
私たちは、ツールの精度を大幅に低下させることなく、アノテーション付きデータセットの必要性を減らすことを目指しています。
私たちは、腎がんのサブタイピングのためのスライド画像データセット全体に対するツールの分類機能を実証し、私たちのソリューションをいくつかの最先端の分類対応物と比較します。

要約(オリジナル)

Renal Cell Carcinoma is typically asymptomatic at the early stages for many patients. This leads to a late diagnosis of the tumor, where the curability likelihood is lower, and makes the mortality rate of Renal Cell Carcinoma high, with respect to its incidence rate. To increase the survival chance, a fast and correct categorization of the tumor subtype is paramount. Nowadays, computerized methods, based on artificial intelligence, represent an interesting opportunity to improve the productivity and the objectivity of the microscopy-based Renal Cell Carcinoma diagnosis. Nonetheless, much of their exploitation is hampered by the paucity of annotated dataset, essential for a proficient training of supervised machine learning technologies. This study sets out to investigate a novel self supervised training strategy for machine learning diagnostic tools, based on the multi-resolution nature of the histological samples. We aim at reducing the need of annotated dataset, without significantly reducing the accuracy of the tool. We demonstrate the classification capability of our tool on a whole slide imaging dataset for Renal Cancer subtyping, and we compare our solution with several state-of-the-art classification counterparts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google