論文の概要: Survival prediction and risk estimation of Glioma patients using mRNA
expressions
- arxiv url: http://arxiv.org/abs/2011.00659v1
- Date: Mon, 2 Nov 2020 00:39:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 12:58:37.288352
- Title: Survival prediction and risk estimation of Glioma patients using mRNA
expressions
- Title(参考訳): mRNA発現を用いたグリオーマ患者の生存予測とリスク評価
- Authors: Navodini Wijethilake, Dulani Meedeniya, Charith Chitraranjan, Indika
Perera
- Abstract要約: グリオーマは、予後不良の中枢神経系腫瘍の致死型である。
本研究では、生存に関連する7つの遺伝子シグネチャを同定し、生存予測とリスク推定のための2つのアプローチを検討する。
- 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: Gliomas are lethal type of central nervous system tumors with a poor
prognosis. Recently, with the advancements in the micro-array technologies
thousands of gene expression related data of glioma patients are acquired,
leading for salient analysis in many aspects. Thus, genomics are been emerged
into the field of prognosis analysis. In this work, we identify survival
related 7 gene signature and explore two approaches for survival prediction and
risk estimation. For survival prediction, we propose a novel probabilistic
programming based approach, which outperforms the existing traditional machine
learning algorithms. An average 4 fold accuracy of 74% is obtained with the
proposed algorithm. Further, we construct a prognostic risk model for risk
estimation of glioma patients. This model reflects the survival of glioma
patients, with high risk for low survival patients.
- Abstract(参考訳): グリオーマは致死型の中枢神経系腫瘍であり予後不良である。
近年, マイクロアレイ技術の進歩に伴い, グリオーマ患者の遺伝子発現関連データが数千件取得され, 有意な解析が可能となった。
このように、ゲノム学は予後解析の分野に現れている。
本研究では,生存に関連する7つの遺伝子シグネチャを同定し,生存予測とリスク推定のための2つのアプローチを検討する。
生存予測のために,従来の機械学習アルゴリズムよりも優れた確率的プログラミングに基づく新しい手法を提案する。
提案アルゴリズムでは,平均4倍精度が74%である。
さらに,グリオーマ患者のリスク推定のための予後リスクモデルを構築した。
このモデルは、低生存率患者のリスクが高いグリオーマ患者の生存率を反映している。
関連論文リスト
- Survival and grade of the glioma prediction using transfer learning [0.0]
本研究では,トランスファーラーニング技術を用いた新しい手法を提案する。
EfficientNet、ResNet、VGG16、Inceptionなど、事前訓練されたネットワークがテストされた。
実験の結果、生存予測では65%の精度を示し、患者を短期、中長期、長期の生存カテゴリーに分類した。
低次グリオーマ (LGG) と高次グリオーマ (HGG) を正確に区別した。
論文 参考訳(メタデータ) (2024-02-04T09:07:07Z) - Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。
このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。
患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
論文 参考訳(メタデータ) (2023-06-29T23:36:04Z) - Deep Learning of Semi-Competing Risk Data via a New Neural
Expectation-Maximization Algorithm [5.253100011321437]
私たちのモチベーションはボストン肺がん研究(Boston Lung Cancer Study)から来ています。
本稿では,古典的統計的アプローチと機械学習のギャップを埋めるために,ニューラル予測最大化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-12-22T20:38:57Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳(メタデータ) (2022-11-18T03:26:31Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - Machine learning approach to dynamic risk modeling of mortality in
COVID-19: a UK Biobank study [0.0]
新型コロナウイルス(COVID-19)のパンデミックは、高リスク患者の階層化を支援する堅牢でスケーラブルなモニタリングツールを緊急に必要としてきた。
本研究は、英国バイオバンクを用いた予測モデルを開発し、検証し、新型コロナウイルスの死亡リスクを推定することを目的とする。
論文 参考訳(メタデータ) (2021-04-19T11:51:20Z) - Deep-CR MTLR: a Multi-Modal Approach for Cancer Survival Prediction with
Competing Risks [0.4189643331553922]
本稿では,癌生存予測のための新しい機械学習手法であるDeep-CR MTLRを提案する。
2552頭頸部癌患者のコホートにおける単一モダリティ予測器に対するマルチモーダルアプローチの予後改善効果を実証した。
論文 参考訳(メタデータ) (2020-12-10T15:51:47Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳(メタデータ) (2020-09-16T15:16:03Z) - Low-Rank Reorganization via Proportional Hazards Non-negative Matrix
Factorization Unveils Survival Associated Gene Clusters [9.773075235189525]
この研究において、Cox比例ハザードの回帰は生存制約を課すことでNMFと統合される。
ヒト癌遺伝子の発現データを用いて、提案手法は癌遺伝子の重要なクラスターを解明することができる。
発見された遺伝子クラスターは、豊富な生物学的含意を反映し、生存に関連するバイオマーカーの同定に役立つ。
論文 参考訳(メタデータ) (2020-08-09T17:59:30Z) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳(メタデータ) (2020-02-29T22:41:21Z)
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。