betashort
commented
4 years ago Abstract
ディープラーニングは、医用画像の分類でよく使用されている。 次のステップとして、医用画像から説明可能な知識を獲得する技術が大いに切望されている。 そこで、我らは、ディープラーニングが、診断等のアノテーションがない病理組織学的画像から、説明的な特徴量の獲得の自動的を可能にすることを示す。 比較する 我々の手法が生成した特徴量の前立腺がんの再発の予測精度と、860億以上の画像から成る、確立された標準の13188の病理学画像全組織標本を使った専門の病理学者による診断を比較した。 我々の手法は、人間による発見を明らかにしただけでなく、人間によって認知されなかった特徴量も明らかにした。そして、経過後の予測において、人間よりも高い精度を示した。 我々の手法と専門家が作った基準を組み合わせることで、どちらか一方だけを使うよりも、より正確に再発の予測する。 我らは、2276の病理学画像を含んだ、追加の検証データセットを使って、我々の手法のロバスト性を確認した。 この研究は、未知の知識の発見に対する機械学習分析分野の開拓となる。
30分
0. 論文情報・リンク
論文リンク：https://www.nature.com/articles/s41467-019-13647-8 公開日時：18 December 2019 実装コード： Publication : Nature Communications
1. どんなもの？
2. 先行研究と比べてどこがすごいの？
3. 技術や手法の"キモ"はどこにある？
4. どうやって有効だと検証した？
5. 議論はあるか？
6. 次に読むべき論文はあるか？
7. 実装
8. 参考文献