論文の概要: Comparisons of Graph Neural Networks on Cancer Classification Leveraging
a Joint of Phenotypic and Genetic Features
- arxiv url: http://arxiv.org/abs/2101.05866v1
- Date: Thu, 14 Jan 2021 20:53:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 02:21:26.561999
- Title: Comparisons of Graph Neural Networks on Cancer Classification Leveraging
a Joint of Phenotypic and Genetic Features
- Title(参考訳): 表現型と遺伝的特徴の結合を利用した癌分類におけるグラフニューラルネットワークの比較
- Authors: David Oniani, Chen Wang, Yiqing Zhao, Andrew Wen, Hongfang Liu,
Feichen Shen
- Abstract要約: 各種グラフニューラルネットワーク(GNNs)を癌型分類のための表現型と遺伝的特徴の関節を用いて評価した。
GNN、ChebNet、GraphSAGE、TAGCNは最高のパフォーマンスを示し、GATは最悪のパフォーマンスを示した。
- 参考スコア(独自算出の注目度): 7.381190270069632
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cancer is responsible for millions of deaths worldwide every year. Although
significant progress hasbeen achieved in cancer medicine, many issues remain to
be addressed for improving cancer therapy.Appropriate cancer patient
stratification is the prerequisite for selecting appropriate treatment plan,
ascancer patients are of known heterogeneous genetic make-ups and phenotypic
differences. In thisstudy, built upon deep phenotypic characterizations
extractable from Mayo Clinic electronic healthrecords (EHRs) and genetic test
reports for a collection of cancer patients, we evaluated variousgraph neural
networks (GNNs) leveraging a joint of phenotypic and genetic features for
cancer typeclassification. Models were applied and fine-tuned on the Mayo
Clinic cancer disease dataset. Theassessment was done through the reported
accuracy, precision, recall, and F1 values as well as throughF1 scores based on
the disease class. Per our evaluation results, GNNs on average outperformed
thebaseline models with mean statistics always being higher that those of the
baseline models (0.849 vs0.772 for accuracy, 0.858 vs 0.794 for precision,
0.843 vs 0.759 for recall, and 0.843 vs 0.855 for F1score). Among GNNs,
ChebNet, GraphSAGE, and TAGCN showed the best performance, while GATshowed the
worst. We applied and compared eight GNN models including AGNN, ChebNet,
GAT,GCN, GIN, GraphSAGE, SGC, and TAGCN on the Mayo Clinic cancer disease
dataset and assessedtheir performance as well as compared them with each other
and with more conventional machinelearning models such as decision tree,
gradient boosting, multi-layer perceptron, naive bayes, andrandom forest which
we used as the baselines.
- Abstract(参考訳): がんは毎年何百万人もの死者を負っている。
がん治療の進歩は大きいが, がん治療の改善には多くの課題があり, 適切な治療計画を選択する上では適切ながん患者層化が必須であり, がん患者は異質な遺伝子組換えと表現型の違いが知られている。
本研究は, がん患者を対象としたEHR(Electronic Healthrecords, EHRs)および遺伝子検査報告から抽出可能な, 深部表現型の特徴を基礎として, 各種画像ニューラルネットワーク(GNNs)を用いて, 表現型および遺伝的特徴の結合をがんのタイプ分類に利用した。
マヨクリニック癌データセットにモデルを適用し、微調整した。
報告された精度,精度,リコール,F1値,および疾患分類に基づくスルーF1スコアを用いて評価を行った。
評価結果から,GNNのベースラインモデルの平均成績は,平均値が0.849対0.772,精度が0.858対0.794,リコールが0.843対0.759,F1scoreが0.843対0.855であった。
GNN、ChebNet、GraphSAGE、TAGCNは最高のパフォーマンスを示し、GATは最悪のパフォーマンスを示した。
我々は,AGNN,ChebNet,GAT,GCN,GIN,GraphSAGE,SGC,TAGCNを含む8つのGNNモデルをマイノクリニック癌データセットに適用・比較し,その性能および比較を行った。
関連論文リスト
- CIMIL-CRC: a clinically-informed multiple instance learning framework
for patient-level colorectal cancer molecular subtypes classification from
H\&E stained images [45.32169712547367]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳(メタデータ) (2024-01-29T12:56:11Z) - Vision Transformer-Based Deep Learning for Histologic Classification of
Endometrial Cancer [0.7591487543790509]
子宮内膜癌は、世界で6番目に多い女性がんであり、特定のタイプが再発しやすい異種集団である。
本研究では,子宮内膜癌の組織学的分類のためのトランスフォーマーベースディープラーニングアプローチであるEndoNetを紹介する。
論文 参考訳(メタデータ) (2023-12-13T19:38:50Z) - 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) - Multi-channel deep convolutional neural networks for multi-classifying
thyroid disease [12.525400360304861]
本研究では,甲状腺疾患のマルチクラス分類課題に対処するために,新しいマルチチャネル畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案モデルは性別群で評価され,女性群では0.908,男性群では0.901と診断された。
論文 参考訳(メタデータ) (2022-03-06T04:14:41Z) - Automatic Segmentation of Head and Neck Tumor: How Powerful Transformers
Are? [0.0]
我々は,H&N腫瘍を自動デライン化するための視覚変換器を用いた手法を開発した。
我々は、その結果をCNNベースのモデルと比較する。
選択した変換器ベースモデルにより,CNNベースモデルと同等の結果が得られることを示す。
論文 参考訳(メタデータ) (2022-01-17T07:31:52Z) - Lymph Node Graph Neural Networks for Cancer Metastasis Prediction [0.342658286826597]
局所リンパ節に転移する既存の癌の画像特徴をグラフベースで表現する手法を提案する。
我々は,遠隔転移のリスクを正確に予測するために,エッジゲートグラフ畳み込みネットワーク(Gated-GCN)を訓練した。
論文 参考訳(メタデータ) (2021-06-03T09:28:14Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳(メタデータ) (2021-02-11T09:04:45Z) - Efficient and Visualizable Convolutional Neural Networks for COVID-19
Classification Using Chest CT [0.0]
新型コロナウイルスは2020年12月4日現在、世界中で6500万人以上が感染している。
ディープラーニングは有望な診断技術として登場した。
本稿では,40種類の畳み込みニューラルネットワークアーキテクチャを新型コロナウイルスの診断のために評価・比較する。
論文 参考訳(メタデータ) (2020-12-22T07:09:48Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳(メタデータ) (2020-02-13T15:28:42Z)
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。