×
颜东辉；王培；迈克尔·林登；比阿特丽斯·克努森；蒂莫西·伦道夫

组织阵列图像的统计方法——算法评分和联合训练。 （英语） Zbl 1254.92033号

附录申请。斯达。 6，第3期，1280-1305（2012）.
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，特别是用于验证诊断和预后生物标志物。然而，随着研究规模的扩大，手动评估这些分析成为了一个禁止性的限制；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针对任何染色模式进行训练，没有敏感的调整参数，并且能够报告图像中有助于得分的显著像素。病理学家通过信息训练补丁的输入是算法的一个重要方面，该算法允许对任何特定标记物或细胞类型进行训练。通过联合训练，对于非常小的训练样本（例如大小为30的样本），TACOMA的错误率可以大大降低。当特征之间存在“足够”的冗余时，我们通过在高维环境中细化特征集，对联合训练的成功进行了理论分析。TACOMA具有灵活性、透明性，提供了一个可以清晰、自信地进行评估的评分过程。在一项基于雌激素受体（ER）标记物的研究中，我们表明TACOMA在准确性和重复性方面与病理学家的表现相当或优于病理学家。

引用于1文件

MSC公司：

92C40型 生物化学、分子生物学
92 C50 医疗应用（通用）
92 C55 生物医学成像和信号处理
62页第10页 统计学在生物学和医学中的应用；元分析
65C20个 概率模型，概率统计中的通用数值方法

关键词：

分类；分离比；高维推理；联合训练

软件：

GemIdent公司；伦敦银行支持向量机
PDF格式BibTeX公司 XML格式引用
\textit{D.Yan}等人，Ann.Appl。Stat.6，No.3，1280--1305（2012；Zbl 1254.92033）
全文： 内政部 欧几里得

参考文献：

[1] Anderson，T.W.（1958年）。多元统计分析导论。纽约威利·Zbl 0083.14601号
[2] 巴赫，F.R.和乔丹，M.I.（2003）。核独立成分分析。J.马赫。学习。决议3 1-48·兹比尔1088.68689 ·doi:10.1162/153244303768966085
[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。癌症转移评论27 481-494。
[4] Berger，A.J.、Davis，D.W.、Tellez，C.、Prieto，V.G.、Gershenwald，J.E.、Johnson，M.、Rimm，D.L.和Bar-Eli，M.（2005年）。黑色素瘤组织微阵列中激活蛋白-2α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）。将标记和未标记数据与联合训练相结合。《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] Breiman，L.（2001）。随机森林。机器。学习。45 5-32. ·Zbl 1007.68152号 ·doi:10.1023/A:1010933404324
[7] Camp，R.L.、Neumeister，V.和Rimm，D.L.（2008）。组织微阵列十年：癌症生物标记物的发现和验证进展。临床杂志。昂科尔。26 5630-5637.
[8] Caruana，R.、Karampatziakis，N.和Yessenalina，A.（2008）。高维度监督学习的实证评估。第二十五届机器学习国际会议（ICML）论文集，芬兰赫尔辛基96-103。纽约ACM。
[9] Chang，C.C.和Lin，C.J.（2001）。LIBSVM：支持向量机库。可从获取。
[10] Conners，R.和Harlow，C.（1980年）。纹理算法的理论比较。IEEE模式分析和机器智能汇刊2 204-222·Zbl 0432.68060号 ·doi:10.1109/TPAMI.1980.4767008
[11] Cortes，C.和Vapnik，V.（1995年）。支持向量网络。机器学习20 273-297·Zbl 0831.68098号
[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·兹比尔0154.44505 ·doi:10.1109/TIT.1967.1053964
[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。病理学与检验医学档案130 1026-1030。
[14] Dasgupta，S.和Gupta，A.（2002年）。Johnson-Lindenstraus引理的初等证明。随机结构算法22 60-65·Zbl 1018.51010号 ·doi:10.1002/rs.10073
[15] DiVito，K.和Camp，R.（2005）。组织微阵列——自动化分析和未来方向。乳腺癌在线8。
[16] Donoho，D.L.（2000）。高维数据分析：维度的诅咒和祝福。AMS会议上关于21世纪数学挑战的演讲备忘录。可从获取。
[17] Freund，Y.和Schapire，R.E.（1996）。实验一种新的boosting算法。第十三届国际机器学习会议（ICML）会议记录，意大利巴里，148-156。Morgan Kaufman，加利福尼亚州旧金山。
[18] Giltnane，J.M.和Rimm，D.L.（2004）。技术洞察力：利用组织微阵列技术识别生物标记物。自然临床。实际。昂科尔。1 104-111.
[19] Gretton，A.、Fukumizu，K.、Teo，C.H.、Song，L.、Schölkopf，B.和Smola，A.J.（2007年）。独立性的核心统计测试。《神经信息处理系统进展》（NIPS），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，马萨诸塞州剑桥。
[20] Hall，B.H.、Ianis-Irimie，M.、Javidian，P.、Chen，W.、Ganesan，S.和Foran，D.J.（2008）。使用膜分离算法和阳性对照的定量分析对成像组织切片中的人类表皮生长因子受体2免疫组织化学分析进行计算机辅助评估。BMC医学成像8 11。
[21] Haralick，R.（1979）。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）。组织微阵列：生物标志物验证的新兴标准。货币。操作。生物技术。19 19-25.
[23] Ho，T.K.（1998）。构造决策森林的随机子空间方法。IEEE模式分析和机器智能汇刊20 832-844。
[24] Holmes，S.、Kapelner，A.和Lee，P.（2009年）。交互式JAVA统计图像分割系统：GemIdent。统计软件杂志30 1-20。
[25] Johnson，W.B.和Lindenstrauss，J.（1984）。Lipschitz映射到Hilbert空间的扩张。《现代分析与概率会议》（康涅狄格州纽黑文，1982年）。康斯坦普。数学。26 189-206. 阿默尔。数学。佛罗里达州普罗维登斯Soc·Zbl 0539.46017号 ·doi:10.1090/conm/026/737400
[26] Joshi，A.S.、Sharangpani，G.M.、Porter，K.、Keyhani，S.、Morrison，C.、Basu，A.S.、Gholap，G.A.、Gholab，A.S和Barsky，S.H.（2007年）。用于定量人类乳腺癌Her-2/neu膜受体免疫反应的半自动成像系统。细胞测定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）。观察者在蛋白表达免疫组化分析中的变化，变化的时间？组织病理学48 787-794。
[28] Kononen，J.、Bubendorf，L.、Kallionimeni，A.、Bärlund，M.、Schraml，P.、Leighton，S.、Torhorst，J.，Mihatsch，M.，Sauter，G.和Kallionimeni，O.（1998）。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.，Montgomery，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。医学成像28 916-925。
[31] Mulrane，L.、Rexhepaj，E.、Penney，S.、Callanan，J.J.和Gallagher，W.M.（2008）。组织病理学中的自动图像分析：医学诊断中的一个有价值的工具。专家修订版分子诊断。8 707-725.
[32] Nigam，K.和Ghani，R.（2000年）。分析联合培训的有效性和适用性。第九届信息和知识管理国际会议论文集，弗吉尼亚州麦克莱恩，86-93。纽约ACM。
[33] Pearl，J.（1985）。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》，加利福尼亚州欧文市，329-334。德克萨斯州奥斯汀认知科学学会。
[34] Penna，A.、Grilli，R.、Filardo，G.、Mainini，F.、Zola，P.、Mantovani，L.和Liberati，A.（1997）。不同的医生小组得出了类似的结论吗？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）。回顾病理学日常实践中集成定量免疫组织化学成像解决方案。叶状组织化学。细胞生物学。47 349-354.
[36] Skaland，I.、Øvestad，I.，Janssen，E.A.M.、Klos，J.、Kjellevold，K.H.、Helliesen，T.和Baak，J.（2008）。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.，基姆勒，B.F.，戴维斯，M.，多纳休，J.K.，佩森斯，D.L.，范，F.，哈格梅斯特，S.，托马斯，P.，康纳，C.，朱厄尔，W.等人（2005）。自动细胞成像系统（ACIS）免疫组化与荧光原位杂交在评估原发性乳腺癌HER-2/neu表达中的比较。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）。乳腺癌中的HER-2/neu：与荧光原位杂交相比，4种抗体免疫组化的观察者间变异性和表现。国防部。病态。14 1079-1086.
[39] Voduc，D.、Kenney，C.和Nielsen，T.O.（2008）。临床肿瘤学中的组织微阵列。塞明。辐射。昂科尔。18 89-97.
[40] Vrolijk，H.、Sloos，W.、Mesker，W.，Franken，P.、Fodde，R.、Morreau，H.和Tanke，H.（2003）。自动采集染色组织微阵列，用于高通量评估分子靶点。摩尔诊断杂志。5 160-167.
[41] Walker，R.A.（2006年）。免疫组织化学定量——有关方法、实用性和半定量评估的问题I.组织病理学49 406-410。
[42] Wan，W.H.、Fortuna，M.B.和Furmanski，P.（1987）。一种快速有效的方法，用于同时检测针对多个组织样本的单克隆抗体的免疫组织化学反应性。免疫学杂志。方法103 121-129。
[43] Yan，D.、Bickel，P.J.和Gong，P.（2006）。一种基于离散对数密度展开的Ikonos图像分类方法。美国摄影测量和遥感学会秋季专业会议，德克萨斯州圣安东尼奥。美国摄影测量与遥感学会，马里兰州贝塞斯达。
[44] Yan，D.，Gong，P.，Chen，A.和Zhong，L.（2011）。数据污染下的分类及其在遥感图像配准中的应用。可在上获取。1101.3594
[45] Yan，D.、Wang，P.、Linden，M.、Knudsen，B.和Randolph，T.（2012）。补充“组织阵列图像的统计方法——算法评分和联合训练”，DOI:10.1214/12-AOAS543SUPB·Zbl 1254.92033号
[46] Yarowsky，D.（1995）。无监督的词义消歧与有监督的方法相抗衡。《计算语言学协会第33届年会论文集》，马萨诸塞州剑桥189-196。Morgan Kaufmann，加利福尼亚州旧金山。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。