論文の概要: Leveraging a Joint of Phenotypic and Genetic Features on Cancer Patient Subgrouping

• arxiv url: http://arxiv.org/abs/2103.16316v1
• Date: Tue, 30 Mar 2021 13:07:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 20:15:40.634556
• Title: Leveraging a Joint of Phenotypic and Genetic Features on Cancer Patient Subgrouping
• Title（参考訳）: がん患者サブグループにおける表現型と遺伝的特徴の融合
• Authors: David Oniani, Chen Wang, Yiqing Zhao, Andrew Wen, Hongfang Liu, Feichen Shen
• Abstract要約: がん患者サブグループのための表現型および遺伝的特徴の関節を利用したシステムを開発した。 機能前処理では、最も関連する機能を保ちながらフィルタリングを行いました。 がん患者分類では、Random Forests (RF)、Decision Tree (DT)、Support Vector Machine (SVM)、Naive Bayes (NB)、Logistic Regression (LR)、Multilayer Perceptron (MLP)、Gradient Boosting (GB)、Convolutional Neural Network (CNN)、Feedforward Neural Network (FNN)の9つの機械学習モデルを活用しました。
• 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 has been 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, as cancer patients are of known heterogeneous genetic make-ups and phenotypic differences. In this study, built upon deep phenotypic characterizations extractable from Mayo Clinic electronic health records (EHRs) and genetic test reports for a collection of cancer patients, we developed a system leveraging a joint of phenotypic and genetic features for cancer patient subgrouping. The workflow is roughly divided into three parts: feature preprocessing, cancer patient classification, and cancer patient clustering based. In feature preprocessing step, we performed filtering, retaining the most relevant features. In cancer patient classification, we utilized joint categorical features to build a patient-feature matrix and applied nine different machine learning models, Random Forests (RF), Decision Tree (DT), Support Vector Machine (SVM), Naive Bayes (NB), Logistic Regression (LR), Multilayer Perceptron (MLP), Gradient Boosting (GB), Convolutional Neural Network (CNN), and Feedforward Neural Network (FNN), for classification purposes. Finally, in the cancer patient clustering step, we leveraged joint embeddings features and patient-feature associations to build an undirected feature graph and then trained the cancer feature node embeddings.
• Abstract（参考訳）: がんは毎年何百万人もの死者を負っている。 がん医学における重要な進歩はあったが、がん治療を改善するために多くの課題が解決されている。 適切ながん患者層化は適切な治療計画を選択するための必須条件であり、がん患者は異種遺伝子組換えと表現型の違いが知られている。 本研究では,マヨクリニック電子健康記録(ehrs)から抽出可能な深部表現型特徴と,がん患者集団の遺伝子検査結果を基に,癌患者サブグループ化のための表現型特徴と遺伝子特徴の結合を利用したシステムを開発した。 ワークフローは、機能前処理、がん患者分類、癌患者クラスタリングの3つの部分に分かれている。 機能前処理のステップでは、最も関連する機能を保ちながらフィルタリングを行いました。 がん患者の分類において, 患者特徴マトリックスの構築には合同分類の特徴を用い, ランダムフォレスト (rf), 決定木 (dt), サポートベクターマシン (svm), ナイーブベイズ (nb), ロジスティック回帰 (lr), 多層パーセプトロン (mlp), 勾配ブースティング (gb), 畳み込みニューラルネットワーク (cnn), フィードフォワードニューラルネットワーク (fnn) の9つの異なる機械学習モデルを適用した。 最後に, がん患者クラスタリングの段階において, 関節埋め込み機能と患者機能関連性を活用して, 非方向性特徴グラフを構築し, 癌特徴ノード埋め込みを訓練した。

関連論文リスト

• Survival Prediction Across Diverse Cancer Types Using Neural Networks [40.392772795903795]
  胃癌と大腸腺癌は広範囲で難治性の悪性腫瘍である。 医療コミュニティは、患者の予後を推定するための重要な指標として、5年間の生存率を受け入れている。 本研究は胃癌および大腸癌患者の生存予測モデルを改善するための先駆的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-11T21:47:13Z)
• 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)
• PACS: Prediction and analysis of cancer subtypes from multi-omics data based on a multi-head attention mechanism model [2.275409158519155]
  がんサブタイプの分類を成功させるために, 教師付きマルチヘッドアテンション機構モデル(SMA)を提案する。 SMAモデルのアテンション機構と特徴共有モジュールは、マルチオミクスデータのグローバルおよびローカルの特徴情報をうまく学習することができる。 SMAモデルは、シミュレーションされた単一細胞およびがんマルチオミクスデータセットにおけるがんサブタイプの最も正確なF1マクロスコープ、F1重み付きおよび正確な分類を達成する。
  論文  参考訳（メタデータ） (2023-08-21T03:54:21Z)
• 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 Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• 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)
• Improving Precancerous Case Characterization via Transformer-based Ensemble Learning [31.891340667123124]
  自然言語処理のがん病理学報告への応用は、がん症例の検出に焦点が当てられている。 先天性腺腫のキャラクタリゼーションの改善は、早期がんの検出と予防のための診断試験の開発を支援する。 以上の結果から,NLPを用いて早期がん予防のための診断試験の開発を促進できる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-12-10T00:06:28Z)
• 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)
• 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)
• 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。