論文の概要: Machine Learning Against Cancer: Accurate Diagnosis of Cancer by Machine Learning Classification of the Whole Genome Sequencing Data

• arxiv url: http://arxiv.org/abs/2009.05847v1
• Date: Sat, 12 Sep 2020 18:51:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 07:59:54.894999
• Title: Machine Learning Against Cancer: Accurate Diagnosis of Cancer by Machine Learning Classification of the Whole Genome Sequencing Data
• Title（参考訳）: がんに対する機械学習:全ゲノムシークエンシングデータの機械学習分類による癌の正確な診断
• Authors: Arash Hooshmand
• Abstract要約: 我々は,MLAC(Machine Learning Against Cancer)の新たな手法を開発し,完全精度,感度,特異性を実現した。 The Cancer Genome Atlas and Genotype-Tissue Expression project for cancerous and healthy tissues。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning can precisely identify different cancer tumors at any stage by classifying cancerous and healthy samples based on their genomic profile. We have developed novel methods of MLAC (Machine Learning Against Cancer) achieving perfect results with perfect precision, sensitivity, and specificity. We have used the whole genome sequencing data acquired by next-generation RNA sequencing techniques in The Cancer Genome Atlas and Genotype-Tissue Expression projects for cancerous and healthy tissues respectively. Moreover, we have shown that unsupervised machine learning clustering has great potential to be used for cancer diagnosis. Indeed, a creative way to work with data and general algorithms has resulted in perfect classification i.e. all precision, sensitivity, and specificity are equal to 1 for most of the different tumor types even with a modest amount of data, and the same method works well on a series of cancers and results in great clustering of cancerous and healthy samples too. Our system can be used in practice because once the classifier is trained, it can be used to classify any new sample of new potential patients. One advantage of our work is that the aforementioned perfect precision and recall are obtained on samples of all stages including very early stages of cancer; therefore, it is a promising tool for diagnosis of cancers in early stages. Another advantage of our novel model is that it works with normalized values of RNA sequencing data, hence people's private sensitive medical data will remain hidden, protected, and safe. This type of analysis will be widespread and economical in the future and people can even learn to receive their RNA sequencing data and do their own preliminary cancer studies themselves which have the potential to help the healthcare systems. It is a great step forward toward good health that is the main base of sustainable societies.
• Abstract（参考訳）: 機械学習は、そのゲノムプロファイルに基づいて、がん性および健康的なサンプルを分類することで、任意の段階で異なるがん腫瘍を正確に識別することができる。 我々は,MLAC(Machine Learning Against Cancer)の新たな手法を開発し,完全精度,感度,特異性を実現した。 我々は、癌ゲノムアトラスにおける次世代rnaシークエンシング技術によって得られた全ゲノムシークエンシングデータと、癌組織および健康組織に対する遺伝子型細胞発現プロジェクトを用いてきた。 さらに,教師なし機械学習クラスタリングが癌診断に有用である可能性が示唆された。 実際、データや一般的なアルゴリズムを扱う創造的な方法によって、全ての精度、感度、特異性は、わずかな量のデータであっても、多くの異なる腫瘍タイプに対して1に等しいという完全な分類が行われ、同じ方法は、一連のがんでうまく機能し、がんや健康なサンプルを大量に集める結果となった。 我々のシステムは、分類器が訓練されると、新しい潜在的な患者の新しいサンプルを分類するために使用できるため、実際に使用できる。 本研究の利点は, がんの早期を含むすべての段階の検体から, 上記の完全精度とリコールが得られたことであり, 早期のがん診断には有望なツールである。 我々の新しいモデルのもう1つの利点は、RNAシークエンシングデータの正規化値で動作するため、人々の機密性の高い医療データは隠蔽され、保護され、安全である。 この種の分析は将来的に広範かつ経済的に行われ、RNAシークエンシングデータを受け取り、医療システムを支援する可能性がある独自のがん研究を行うことができる。 持続可能な社会の主要な基盤である健康への大きな前進である。

関連論文リスト

• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• Metastatic Breast Cancer Prognostication Through Multimodal Integration of Dimensionality Reduction Algorithms and Classification Algorithms [0.0]
  機械学習(ML)を用いた転移性癌の検出に関する研究 71.14%の最高精度は、PCA、遺伝的アルゴリズム、k-アネレスト近傍アルゴリズムからなるMLパイプラインによって作られた。
  論文  参考訳（メタデータ） (2023-09-19T05:12:02Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• Pre-screening breast cancer with machine learning and deep learning [0.0]
  深層学習は、患者の人口統計学的および人文学的情報を分析することにより、がんの事前スクリーニングに使用できる。 特徴選択を用いて微調整された入力層アーキテクチャを用いたディープラーニングモデルは、がん患者と非がん患者を効果的に区別することができる。 これらの結果から, 癌前スクリーニングに応用されたディープラーニングアルゴリズムは, 放射線のない, 非侵襲的で手頃な価格で, 画像に基づくスクリーニング法を補完するものであることが示唆された。
  論文  参考訳（メタデータ） (2023-02-05T15:27:50Z)
• 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)
• Gene selection from microarray expression data: A Multi-objective PSO with adaptive K-nearest neighborhood [0.0]
  本稿では,遺伝子発現データを用いたヒト癌疾患の分類問題について論じる。 マイクロアレイデータセットを解析し,がん疾患を効果的に分類するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T04:22:10Z)
• Noncoding RNAs and deep learning neural network discriminate multi-cancer types [0.0]
  我々は,すべてのがんタイプを分類する包括的検出システムを開発した。 ROC 96.3% の AUC (Area Under Curve of a Receiver Operating Characteristics curve) で癌と健康な対象を正確に検出できる。 包括的マーカーパネルは、異質ながん組織および状態において、安定して78%の精度で全ての一般的ながんを同時に多重分類することができる。
  論文  参考訳（メタデータ） (2021-03-01T18:20:45Z)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  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。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。