論文の概要: Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction
- arxiv url: http://arxiv.org/abs/2009.00792v2
- Date: Thu, 3 Sep 2020 15:50:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-22 18:45:48.920836
- Title: Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction
- Title（参考訳）: Select-ProtoNet: Few-Shot病サブタイプ予測のための学習
- Authors: Ziyi Yang, Jun Shu, Yong Liang, Deyu Meng and Zongben Xu
- Abstract要約: 本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
- 参考スコア（独自算出の注目度）: 55.94378672172967
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current machine learning has made great progress on computer vision and many
other fields attributed to the large amount of high-quality training samples,
while it does not work very well on genomic data analysis, since they are
notoriously known as small data. In our work, we focus on few-shot disease
subtype prediction problem, identifying subgroups of similar patients that can
guide treatment decisions for a specific individual through training on small
data. In fact, doctors and clinicians always address this problem by studying
several interrelated clinical variables simultaneously. We attempt to simulate
such clinical perspective, and introduce meta learning techniques to develop a
new model, which can extract the common experience or knowledge from
interrelated clinical tasks and transfer it to help address new tasks. Our new
model is built upon a carefully designed meta-learner, called Prototypical
Network, that is a simple yet effective meta learning machine for few-shot
image classification. Observing that gene expression data have specifically
high dimensionality and high noise properties compared with image data, we
proposed a new extension of it by appending two modules to address these
issues. Concretely, we append a feature selection layer to automatically filter
out the disease-irrelated genes and incorporate a sample reweighting strategy
to adaptively remove noisy data, and meanwhile the extended model is capable of
learning from a limited number of training examples and generalize well.
Simulations and real gene expression data experiments substantiate the
superiority of the proposed method for predicting the subtypes of disease and
identifying potential disease-related genes.
- Abstract（参考訳）: 現在の機械学習は、コンピュータビジョンやその他の多くの分野において、大量の高品質のトレーニングサンプルによる大きな進歩を遂げているが、ゲノムデータ解析ではあまりうまく機能しない。
本研究は,小データのトレーニングを通じて,特定の個人に対する治療決定を導出できる類似患者のサブグループを同定する,数発の疾患のサブタイプ予測問題に焦点を当てた。
実際、医師と臨床医は常に、いくつかの相互関連臨床変数を同時に研究することでこの問題に対処している。
このような臨床観をシミュレートし, メタラーニング手法を導入して, 相互関連臨床課題から共通の経験や知識を抽出し, 新たな課題への対処に役立てることができる新しいモデルの構築を試みる。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
画像データと比較して遺伝子発現データが特に高次元・高ノイズ特性を有することを観察し,これらの問題に対処するために2つのモジュールを付加した新たな拡張を提案する。
具体的には, 疾患関連遺伝子を自動抽出する機能選択層を付加し, ノイズデータを適応的に除去するサンプル重み付け戦略を組み込むとともに, 限られた数のトレーニング例から学習し, うまく一般化することができる。
シミュレーションおよび実際の遺伝子発現データ実験は、疾患のサブタイプを予測し、潜在的な疾患関連遺伝子を同定するための提案手法の優位性を裏付けるものである。
関連論文リスト
- A Multi-Dataset Classification-Based Deep Learning Framework for Electronic Health Records and Predictive Analysis in Healthcare [0.5999777817331317]
本研究では,複数のデータセットを分類するための新しいディープラーニング予測分析フレームワークを提案する。
Residual NetworksとArtificial Neural Networksを組み合わせたハイブリッドディープラーニングモデルを提案し,急性および慢性疾患を検出する。
厳密な実験と評価の結果,網膜基底像,肝硬変ステージ,心疾患診断予測では,93%,99%,95%の精度が得られた。
論文 参考訳（メタデータ） (2024-09-25T08:13:39Z) - An Autoencoder and Generative Adversarial Networks Approach for Multi-Omics Data Imbalanced Class Handling and Classification [2.2940141855172036]
分子生物学では、マルチオミクスシークエンシングから生成されるデータの爆発があった。
従来の統計手法は、そのような高次元データを扱う際に難しい課題に直面している。
この研究は、オートエンコーダを組み込んだニューラルネットワークでこれらの課題に取り組むことに焦点を当て、特徴の潜在空間を抽出する。
論文 参考訳（メタデータ） (2024-05-16T01:45:55Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳（メタデータ） (2022-04-28T08:41:51Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - MG-NET: Leveraging Pseudo-Imaging for Multi-Modal Metagenome Analysis [5.04905391284093]
本稿では,自己教師型表現学習フレームワークMG-Netを提案する。
MG-Netはラベルのないデータからロバストな表現を学習できることを示す。
実験により、学習した特徴が現在のベースラインメタジェノム表現より優れていることが示された。
論文 参考訳（メタデータ） (2021-07-21T05:53:01Z) - Covid-19 Detection from Chest X-ray and Patient Metadata using Graph
Convolutional Neural Networks [6.420262246029286]
本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。
提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
論文 参考訳（メタデータ） (2021-05-20T13:13:29Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳（メタデータ） (2021-04-22T13:39:33Z) - Active Selection of Classification Features [0.0]
人口統計などの補助的データは、最も有益なMRIスキャンを持つ個人を含む小さなサンプルを選択するのに役立ちます。
本研究では,2つの実用的手法を提案し,その性能を3つの実世界のベンチマークデータセットで評価する。
論文 参考訳（メタデータ） (2021-02-26T18:19:08Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。