論文の概要: Noncoding RNAs and deep learning neural network discriminate multi-cancer types

• arxiv url: http://arxiv.org/abs/2103.01179v1
• Date: Mon, 1 Mar 2021 18:20:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 04:11:39.809597
• Title: Noncoding RNAs and deep learning neural network discriminate multi-cancer types
• Title（参考訳）: 非コーディングRNAと深層学習ニューラルネットワークは多癌型を識別する
• Authors: Anyou Wang, Rong Hai, Paul J Rider, Harrison Dulin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting cancers at early stages can dramatically reduce mortality rates. Therefore, practical cancer screening at the population level is needed. Here, we develop a comprehensive detection system to classify all common cancer types. By integrating artificial intelligence deep learning neural network and noncoding RNA biomarkers selected from massive data, our system can accurately detect cancer vs healthy object with 96.3% of AUC of ROC (Area Under Curve of a Receiver Operating Characteristic curve). Intriguinely, with no more than 6 biomarkers, our approach can easily discriminate any individual cancer type vs normal with 99% to 100% AUC. Furthermore, a comprehensive marker panel can simultaneously multi-classify all common cancers with a stable 78% of accuracy at heterological cancerous tissues and conditions. This provides a valuable framework for large scale cancer screening. The AI models and plots of results were available in https://combai.org/ai/cancerdetection/
• Abstract（参考訳）: がんの早期発見は死亡率を劇的に低下させる。 そのため,集団レベルでのがん検診が必要である。 本稿では,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。 大規模データから選択された人工知能ディープラーニングニューラルネットワークと非コーディングRNAバイオマーカーを統合することで,ROCのAUC(Area Under Curve of a Receiver Operating curve)の96.3%で,癌と健康な対象を正確に検出することができる。 バイオマーカーは6種類に満たないが,本手法では99%から100%のaucを有する癌と正常癌を区別できる。 さらに、包括的マーカーパネルは、異種性癌組織および状態において、安定して78%の精度で、すべての共通がんを同時に分類することができる。 これは大規模な癌のスクリーニングのための貴重なフレームワークを提供します。 AIモデルと結果のプロットはhttps://combai.org/ai/cancerdetection/で入手できます。

関連論文リスト

• Biomarker based Cancer Classification using an Ensemble with Pre-trained Models [2.2436844508175224]
  マルチクラス分類タスクに対して,事前学習したハイパーファストモデル,XGBoost,LightGBMを組み合わせた新しいアンサンブルモデルを提案する。 我々はメタトレーニングしたハイパーファストモデルを用いてがんの分類を行い、AUCは0.9929である。 また,事前学習したハイパーファストモデル,XGBoost,LightGBMを多クラス分類タスクに組み合わせた新しいアンサンブルモデルを提案し,精度を漸進的に向上させる(0.9464)。
  論文  参考訳（メタデータ） (2024-06-14T14:43:59Z)
• 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 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)
• A Combined PCA-MLP Network for Early Breast Cancer Detection [0.0]
  我々は、患者が乳がんに直面するかどうかを検出するために、異なる機械学習アルゴリズムを研究した。 われわれの4層PCAネットワークは、BCCDデータセットの平均90.48%で100%の精度を得た。
  論文  参考訳（メタデータ） (2022-06-18T06:17:40Z)
• 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)
• 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)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• 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)
• MS-GWNN:multi-scale graph wavelet neural network for breast cancer diagnosis [8.679247709183567]
  乳がんの検出において,組織構造のマルチスケール情報を考慮に入れることが重要である。 本研究では,乳がんの画像分類のための新しいグラフ畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-29T06:04:27Z)
• 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)
• Machine Learning Against Cancer: Accurate Diagnosis of Cancer by Machine Learning Classification of the Whole Genome Sequencing Data [0.0]
  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。
  論文  参考訳（メタデータ） (2020-09-12T18:51:47Z)

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。