×

组织阵列图像的统计方法-算法评分和协同训练。 (英语) Zbl 1254.92033

摘要:组织微阵列技术的最新进展使免疫组织化学成为一种强大的中高通量分析工具,特别是用于诊断和预后生物标志物的验证。然而,随着研究规模的增长,人工评估这些分析成为一个禁止的限制;它大大降低了吞吐量,大大增加了可变性和费用。我们提出了一种算法:组织阵列共现矩阵分析(TACOMA),用于根据局部像素间关系总结的纹理规则量化细胞表型。该算法可以很容易地训练任何染色模式,没有敏感的调整参数,并且能够报告图像中的显著像素,从而对其得分做出贡献。病理学家通过信息训练补丁输入信息是算法的一个重要方面,它允许训练任何特定的标记或细胞类型。通过协同训练,对于非常小的训练样本(例如大小为30),TACOMA的错误率可以大大降低。在高维背景下,当特征之间存在“足够”冗余时,通过细化特征集,我们给出了协同训练成功的理论见解。TACOMA是灵活的,透明的,提供一个评分过程,可以评估清楚和信心。在一项基于雌激素受体(ER)标记物的研究中,我们发现TACOMA在准确性和重复性方面与病理学家的表现相当,甚至优于病理学家。

理学硕士:

92C40型 生物化学、分子生物学
92C50 医疗应用(通用)
92C55型 生物医学成像与信号处理
第62页 统计学在生物学和医学科学中的应用;荟萃分析
65立方厘米 概率模型,概率统计中的一般数值方法
PDF格式 BibTeX公司 XML 引用

参考文献:

[1] 安德森,T.W.(1958年)。多元统计分析导论。威利,纽约·Zbl 0083.14601
[2] 巴赫,F.R.和乔丹,M.I.(2003年)。核独立分量分析。J、 马赫。学习。决议3 1-48·Zbl 1088.68689
[3] Bentzen,S.M.,Buffa,F.M.和Wilson,G.D.(2008年)。多生物标志物组织微阵列:生物信息学和实用方法。癌症转移回顾。27481-494。
[4] Berger,A.J.,Davis,D.W.,Tellez,C.,Prieto,V.G.,Gershenwald,J.E.,Johnson,M.M.,Rimm,D.L.和Bar Eli,M.(2005年)。黑色素瘤组织微阵列中活化蛋白-2alpha亚细胞表达的自动定量分析与生存预测相关。癌症研究65 11185-11192。
[5] Blum,A.和Mitchell,T.(1998年)。结合有标记和无标记的数据与联合训练。第十一届计算学习理论年会论文集(威斯康星州麦迪逊,1998)92-100。纽约ACM。
[6] 布雷曼,L.(2001年)。随机森林。机器。学习。45 5-32·Zbl 1007.68152号
[7] Camp,R.L.,Neumeister,V.和Rimm,D.L.(2008年)。组织微阵列的十年:癌症生物标记物的发现和验证进展。J、 临床。肿瘤学。26 5630-5637。
[8] Caruana,R.,Karampatziakis,N.和Yessenalina,A.(2008年)。高维监督学习的实证评价。第二十五届国际机器学习会议论文集,芬兰赫尔辛基96-103。纽约ACM。
[9] 张春春、林春杰(2001)。支持向量机库。在提供。
[10] Conners,R.和Harlow,C.(1980年)。纹理算法的理论比较。IEEE模式分析与机器智能汇刊2204-222·Zbl 0432.68060
[11] Cortes,C.和Vapnik,V.(1995年)。支持向量网络。机器学习20 273-297·邮政编码:0831.68098
[12] Cover,T.和Hart,P.(1967年)。最近邻模式分类。IEEE信息理论汇刊13 21-27·Zbl 0154.44505
[13] Cregger,M.,Berger,A.和Rimm,D.(2006年)。蛋白质表达的免疫组织化学和定量分析。病理与检验医学档案130 1026-1030。
[14] Dasgupta,S.和Gupta,A.(2002年)。Johnson-Lindenstrauss引理的一个初步证明。随机结构算法22 60-65·Zbl 1018.51010号
[15] DiVito,K.和Camp,R.(2005年)。组织微阵列自动化分析及未来发展方向。乳腺癌在线8。
[16] Donoho,D.L.(2000年)。高维数据分析:维度的诅咒与祝福。美国数学学会会议21世纪数学挑战讲座备忘录。在提供。
[17] Freund,Y.和Schapire,R.E.(1996年)。实验了一种新的boosting算法。第十三届国际机器学习会议论文集,意大利巴里148-156。摩根考夫曼,旧金山,加利福尼亚州。
[18] Giltnane,J.M.和Rimm,D.L.(2004年)。技术洞察力:利用组织微阵列技术鉴定生物标志物。纳特。临床。实践。肿瘤学。1104-111。
[19] Gretton,A.,Fukumizu,K.,Teo,C.H.,Song,L.,Schölkopf,B.和Smola,A.J.(2007年)。独立性的核统计检验。神经信息处理系统(NIPS)进展,加拿大不列颠哥伦比亚省温哥华585-592。麻省理工学院出版社,剑桥,马萨诸塞州。
[20] Hall,B.H.,Ianosi Irimie,M.,Javidian,P.,Chen,W.,Ganesan,S.和Foran,D.J.(2008年)。计算机辅助评估人表皮生长因子受体2免疫组化法在图像组织切片中的应用膜分离算法和阳性对照的定量分析。BMC医学。图像8 11。
[21] Haralick,R.(1979年)。纹理的统计和结构方法。IEEE 67 786-803会议记录。
[22] Hassan,S.,Ferrario,C.,Mamo,A.和Basik,M.(2008年)。组织微阵列:生物标志物验证的新兴标准。货币。奥平。生物技术。19 19-25日。
[23] Ho,T.K.(1998年)。构造决策森林的随机子空间方法。IEEE模式分析与机器智能汇刊20832-844。
[24] Holmes,S.,Kapelner,A.和Lee,P.(2009年)。交互式JAVA统计图像分割系统:gemindent。统计软件杂志30 1-20。
[25] Johnson,W.B.和Lindenstrauss,J.(1984年)。Lipschitz映射在Hilbert空间中的扩张。在现代分析与概率会议(康涅狄格州纽黑文,1982年)。当代人。数学。26 189-206。阿默尔。数学。Soc。,普罗维登斯,里·Zbl 0539.46017
[26] Joshi,A.S.,Sharangpani,G.M.,Porter,K.,Keyhani,S.,Morrison,C.,Basu,A.S.,Gholap,G.A.,Gholap,A.S.和Barsky,S.H.(2007年)。半自动成像系统定量人乳腺癌Her-2/neu膜受体免疫反应性。细胞仪A部分71 273-285。
[27] Kirkegaard,T.,Edwards,J.,Tovey,S.,McGlynn,L.M.,Krishna,S.N.,Mukherjee,R.,Tam,L.,Munro,A.F.,Dunne,B.和Bartlett,J.M.S.(2006年)。观察者在免疫组化分析中蛋白质表达的变化,改变的时间?组织病理学48 787-794。
[28] Kononen,J.,Bubendorf,L.,Kallionimeni,A.,Bärlund,M.,Schraml,P.,Leighton,S.,Torhrst,J.,Mihatsch,M.,Sauter,G.和Kallionimeni,O.(1998年)。用于肿瘤标本高通量分子分析的组织微阵列。自然医学4 844-847。
[29] Marinelli,R.,蒙哥马利,K.,Liu,C.,Shah,N.,Prapong,W.,Nitzberg,M.,Zachariah,Z.,Sherlock,G.,Natkunam,Y.,West,R.等人(2007年)。斯坦福组织微阵列数据库。核酸研究36 D871-D877。
[30] Masmoudi,H.,Hewitt,S.M.,Petrick,N.,Myers,K.J.和Gavrielides,M.A.(2009年)。乳腺癌HER-2/neu免疫组化表达的自动定量评估。IEEE传输。医学。图像28 916-925。
[31] Murrane,L.,Rexepaj,E.,Penney,S.,Callanan,J.J.和Gallagher,W.M.(2008年)。病理组织学中的自动图像分析:医学诊断中的一个有价值的工具。专家版。分子诊断。8707-725年。
[32] Nigam,K.和Ghani,R.(2000年)。分析协同训练的有效性和适用性。第九届信息和知识管理国际会议记录,弗吉尼亚州麦克莱恩,86-93。纽约ACM。
[33] Pearl,J.(1985年)。贝叶斯网络:证据推理的自激活记忆模型。认知科学学会第七届会议论文集,加州欧文,329-334。认知科学学会。,德克萨斯州奥斯汀市。
[34] Penna,A.,Grilli,R.,Filardo,G.,Mainini,F.,Zola,P.,Mantovani,L.和Liberati,A.(1997年)。不同的医师小组是否得出相似的结论?乳腺癌有限手术实践指南案例研究。欧洲公共卫生杂志7 436-440。
[35] Rojo,M.G.,Bueno,G.和Slodkowska,J.(2009年)。综合定量免疫组织化学成像方法在病理学日常实践中的应用。叶组织化学。细胞生物学。47349-354。
[36] Skaland,I.,Øvestad,I.,Janssen,E.A.M.,Klos,J.,Kjellevold,K.H.,Helliesen,T.和Baak,J.(2008年)。数字图像分析提高了乳腺癌HER-2主观表达评分的质量。应用免疫组织化学与分子形态学16 185-190。
[37] 陶菲克,O.W.,Kimler,B.F.,Davis,M.,Donahue,J.K.,Persons,D.L.,Fan,F.,Hagemeister,S.,Thomas,P.,Connor,C.,Jewell,W.等人(2005年)。免疫组织化学自动细胞成像系统(ACIS)与荧光原位杂交技术评价乳腺癌HER-2/neu表达的比较。组织病理学48 258-267。
[38] Thomson,T.A.,Hayes,M.M.,Spinelli,J.J.,Hilland,E.,Sawrenko,C.,Phillips,D.,Dupuis,B.和Parker,R.L.(2001年)。乳腺癌中HER-2/neu:观察者间变异性和4种抗体免疫组织化学与荧光原位杂交的比较。国防部。病态的。1079-1086年。
[39] 沃杜克,D.,肯尼,C.和尼尔森,T.O.(2008)。组织微阵列在临床肿瘤学中的应用。神。辐射。肿瘤学。18 89-97年。
[40] Vrolijk,H.,Sloos,W.,Mesker,W.,Franken,P.,Fodde,R.,Morreau,H.和Tanke,H.(2003年)。自动获取染色组织微阵列用于高通量评估分子靶点。J、 分子诊断。5160-167。
[41] 沃克,R.A.(2006年)。关于方法、效用和半定量评估的免疫组织化学问题的量化I.组织病理学49 406-410。
[42] Wan,W.H.,Fortuna,M.B.和Furmanski,P.(1987年)。一种快速有效的同时检测单克隆抗体免疫组化反应性的方法。J、 免疫。方法103121-129。
[43] Yan,D.,Bickel,P.J.和Gong,P.(2006年)。一种基于离散对数密度展开的Ikonos图像分类方法。美国摄影测量与遥感学会秋季专业会议,德克萨斯州圣安东尼奥。是。Soc。摄影测量和遥感,马里兰州贝塞斯达。
[44] Yan,D.,Gong,P.,Chen,A.和Zhong,L.(2011年)。数据污染下的分类及其在遥感图像配准中的应用。在提供。1101.3594
[45] Yan,D.,Wang,P.,Linden,M.,Knudsen,B.和Randolph,T.(2012年)。对“组织阵列图像的统计方法算法评分和协同训练”的补充,DOI:10.1214/12-aoas543支持·Zbl 1254.92033
[46] 雅罗斯基,D.(1995年)。无监督词义消歧与监督方法相比较。计算语言学协会第33届年会论文集,剑桥,MA 189-196。摩根考夫曼,旧金山,加利福尼亚州。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。