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: 翻訳完了
• 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
• 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

• Deep Learning for Biopsy-Free Subtyping of Basal Cell Carcinoma from Dermatoscopic Images [40.14906807696333]
  基底細胞癌 (Basal Cell Carcinoma, BCC) は、皮膚がんの80%近くを占める皮膚癌である。 現在の潜伏は、費用がかかることと侵襲的な方法である皮膚生検に依存している。 本稿では,BCCサブタイピングにおける深層学習の予備的検討を行う。
  論文  参考訳（メタデータ） (2026-09-07T08:13:09Z)
• Foundation-model-guided radiogenomic discovery linking cancer genomes to cancer scans [2.2085949781307153]
  ゲノムワイドスケールで遺伝子フェノタイプ関連を同定するために,Evo2に基づくゲノム解析と臨床画像の定期的な組み合わせを行った。 3つのTCGAコホートにまたがる体細胞突然変異に対して、Evo2はタスク固有のトレーニングを伴わずに重度スコアを予測する。 TCGA-cRCCでは、このスイープは確立された腎癌ドライバを回復し、がん遺伝子パネルから欠如する偽発見率(FDR)に到達した46の遺伝子を同定する。
  論文  参考訳（メタデータ） (2026-07-22T12:20:58Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• Multiscale Cross-Modal Mapping of Molecular, Pathologic, and Radiologic Phenotypes in Lipid-Deficient Clear Cell Renal CellCarcinoma [20.5770391049623]
  脂肪欠乏性脱クラー細胞分化型(DCCD) ccRCCサブタイプは早期疾患においても有害な結果に関連している。 そこで我々は,DCCD-ccRCCの術前同定のための階層的クロススケールフレームワークを構築した。 PathoDCCDは、細胞形態や組織構造からメソ領域の組織まで、多スケールの顕微鏡的特徴を捉えた。 RadioDCCDは、全腫瘍とその生息地-準領域の放射能を組み合わせることで、相補的なマクロな情報を統合した。
  論文  参考訳（メタデータ） (2025-12-13T23:49:41Z)
• PathGene: Benchmarking Driver Gene Mutations and Exon Prediction Using Multicenter Lung Cancer Histopathology Image Dataset [3.716599571611912]
  肺癌における遺伝子変異、変異サブタイプおよびそれらのエクソンの正確な予測は、パーソナライズされた治療計画と予後評価に重要である。 病理組織像と次世代シークエンシングレポートを組み合わせたPathGeneを収集した。 このマルチセンターデータセットは、全スライディングイメージをドライバ遺伝子変異状態、突然変異サブタイプ、エキソン、腫瘍突然変異負担(TMB)ステータスにリンクする。
  論文  参考訳（メタデータ） (2025-05-30T11:51:11Z)
• Generating crossmodal gene expression from cancer histopathology improves multimodal AI predictions [1.0225653612678713]
  デジタル病理組織学から合成されたゲノム表現は,がんの診断と生存リスクを高い精度で予測する。 PathGenコードはGitHubのhttps://github.com/Samiran-Dey/PathGen.comで研究コミュニティから公開されている。
  論文  参考訳（メタデータ） (2025-02-01T21:28:30Z)
• Survey and Improvement Strategies for Gene Prioritization with Large Language Models [61.24568051916653]
  大規模言語モデル (LLM) は, 医学検査において良好に機能しているが, 希少な遺伝疾患の診断における有効性は評価されていない。 表現型と可溶性レベルに基づいて, マルチエージェントとヒトフェノタイプオントロジー(HPO)を分類した。 ベースラインでは、GPT-4は他のLLMよりも優れており、因果遺伝子を正しくランク付けする際の精度は30%近く向上した。
  論文  参考訳（メタデータ） (2025-01-30T23:03:03Z)
• DLSOM: A Deep learning-based strategy for liver cancer subtyping [0.0]
  肝がんは世界中でがん関連死亡の原因となっている。 本研究は,1,139個の肝癌サンプルの体細胞突然変異の全体像を解析するために,積み重ねオートエンコーダを用いたディープラーニングフレームワークであるDLSOMを紹介する。
  論文  参考訳（メタデータ） (2024-12-15T23:13:29Z)
• Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
  既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。 ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。 VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
  論文  参考訳（メタデータ） (2024-07-05T13:13:02Z)
• 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)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)
• CancerUniT: Towards a Single Unified Model for Effective Detection, Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans [45.83431075462771]
  ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。 ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。 CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
  論文  参考訳（メタデータ） (2023-01-28T20:09:34Z)
• 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。