論文の概要: Multi-Phase Cross-modal Learning for Noninvasive Gene Mutation
Prediction in Hepatocellular Carcinoma
- arxiv url: http://arxiv.org/abs/2005.04069v1
- Date: Fri, 8 May 2020 14:36:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 13:20:04.300003
- Title: Multi-Phase Cross-modal Learning for Noninvasive Gene Mutation
Prediction in Hepatocellular Carcinoma
- Title(参考訳): 肝細胞癌における非侵襲的遺伝子変異予測のための多相クロスモーダル学習
- Authors: Jiapan Gu, Ziyuan Zhao, Zeng Zeng, Yuzhe Wang, Zhengyiren Qiu,
Bharadwaj Veeravalli, Brian Kim Poh Goh, Glenn Kunnath Bonney, Krishnakumar
Madhavan, Chan Wan Ying, Lim Kheng Choon, Thng Choon Hua, Pierce KH Chow
- Abstract要約: 多相CTスキャンを用いたAPOB, COL11A1, ATRX遺伝子の突然変異予測のためのエンドツーエンドディープラーニングフレームワークを提案する。
- 参考スコア(独自算出の注目度): 7.621860963237023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hepatocellular carcinoma (HCC) is the most common type of primary liver
cancer and the fourth most common cause of cancer-related death worldwide.
Understanding the underlying gene mutations in HCC provides great prognostic
value for treatment planning and targeted therapy. Radiogenomics has revealed
an association between non-invasive imaging features and molecular genomics.
However, imaging feature identification is laborious and error-prone. In this
paper, we propose an end-to-end deep learning framework for mutation prediction
in APOB, COL11A1 and ATRX genes using multiphasic CT scans. Considering
intra-tumour heterogeneity (ITH) in HCC, multi-region sampling technology is
implemented to generate the dataset for experiments. Experimental results
demonstrate the effectiveness of the proposed model.
- Abstract(参考訳): 肝細胞癌(Hepatocellular carcinoma, HCC)は原発性肝がんの1型であり, 世界で4番目に多い死因である。
HCCの根底にある遺伝子変異を理解することは、治療計画と標的治療の予後に大きな価値をもたらす。
放射線ゲノミクスは非侵襲的な画像特徴と分子ゲノミクスの関連を明らかにしている。
しかし,画像特徴同定は煩雑で誤りやすい。
本稿では,多相CTスキャンを用いたAPOB,COL11A1,ATRX遺伝子の突然変異予測のためのエンドツーエンドディープラーニングフレームワークを提案する。
HCCにおける腫瘍内不均一性(ITH)を考慮して,実験用データセットを生成するために多領域サンプリング技術を実装した。
実験の結果,提案モデルの有効性が示された。
関連論文リスト
- Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。
BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。
BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
論文 参考訳(メタデータ) (2024-06-05T06:42:27Z) - Exploring Gene Regulatory Interaction Networks and predicting
therapeutic molecules for Hypopharyngeal Cancer and EGFR-mutated lung
adenocarcinoma [5.178086150698542]
本研究では,下咽頭癌におけるEGFR変異肺腺癌と下咽頭癌について検討した。
本研究は,10のハブ遺伝子に基づく選択疾患に対する共通治療分子を示唆するものである。
論文 参考訳(メタデータ) (2024-02-27T11:29:36Z) - MGCT: Mutual-Guided Cross-Modality Transformer for Survival Outcome
Prediction using Integrative Histopathology-Genomic Features [2.3942863352287787]
Mutual-Guided Cross-Modality Transformer (MGCT) は、注意に基づくマルチモーダル学習フレームワークである。
腫瘍微小環境における遺伝子型-フェノタイプ相互作用をモデル化するために,組織学的特徴とゲノム的特徴を組み合わせたMGCTを提案する。
論文 参考訳(メタデータ) (2023-11-20T10:49:32Z) - Machine Learning Methods for Cancer Classification Using Gene Expression
Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。
遺伝子発現は癌の早期発見において基本的な役割を担っている。
本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文 参考訳(メタデータ) (2023-01-28T15:03:03Z) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳(メタデータ) (2023-01-07T18:36:44Z) - A Pilot Study of Relating MYCN-Gene Amplification with
Neuroblastoma-Patient CT Scans [14.442730976318726]
我々は、MYCN遺伝子増幅の有無を予測するために、複数の機械学習(ML)アルゴリズムを採用する。
このデータセットは、23人の神経芽腫患者の振り返りCT画像で構成されている。
CNNベースの方法は、事前訓練された畳み込みニューラルネットワークを使用し、放射能ベースの方法は放射能の特徴を抽出する。
論文 参考訳(メタデータ) (2022-05-21T15:14:24Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳(メタデータ) (2022-03-23T00:58:27Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳(メタデータ) (2022-02-17T08:33:52Z) - AMINN: Autoencoder-based Multiple Instance Neural Network for Outcome
Prediction of Multifocal Liver Metastases [1.7294318054149134]
多発性は大腸癌肝転移で頻繁に起こる。
既存のバイオマーカーのほとんどは、すべての多焦点病変の像の特徴を考慮に入れていない。
本稿では、生存確率を予測するために、エンドツーエンドのオートエンコーダベースマルチインスタンスニューラルネットワーク(AMINN)を提案する。
論文 参考訳(メタデータ) (2020-12-12T17:52:14Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳(メタデータ) (2020-05-27T06:58:39Z) - Multi-Instance Multi-Label Learning for Gene Mutation Prediction in
Hepatocellular Carcinoma [5.234375382973767]
癌(HCC)における遺伝子変異の予測は、パーソナライズされた治療と精密な医療において、診断と予後に非常に有用である。
本稿では,ラベル相関やラベル表現などの難易度に対処するために,多言語マルチラベル学習を用いてこの問題に対処する。
論文 参考訳(メタデータ) (2020-05-08T14:47:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。