Fugu-MT 論文翻訳(概要): Explainable Artificial Intelligence Reveals Novel Insight into Tumor Microenvironment Conditions Linked with Better Prognosis in Patients with Breast Cancer

論文の概要: Explainable Artificial Intelligence Reveals Novel Insight into Tumor Microenvironment Conditions Linked with Better Prognosis in Patients with Breast Cancer

arxiv url: http://arxiv.org/abs/2104.12021v1
Date: Sat, 24 Apr 2021 20:50:41 GMT
ステータス: 処理完了
システム内更新日: 2021-04-27 14:52:50.653919
Title: Explainable Artificial Intelligence Reveals Novel Insight into Tumor Microenvironment Conditions Linked with Better Prognosis in Patients with Breast Cancer
Title（参考訳）: 説明可能な人工知能が乳癌患者の予後改善と腫瘍微小環境条件の新たな知見を公表
Authors: Debaditya Chakraborty, Cristina Ivan, Paola Amero, Maliha Khan, Cristian Rodriguez-Aguayo, Hakan Ba\c{s}a\u{g}ao\u{g}lu, and Gabriel Lopez-Berestein
Abstract要約: 腫瘍微小環境(TME)の特徴と3重陰性乳癌(TNBC)および非NBC(NTNBC)患者における5年間の生存率との関係を,Explainable Artificial Intelligence (XAI)モデルを用いて検討した。そこで本研究では,UCSC Xenaデータセットから1015名の乳癌患者から得られた正常化RNAシークエンシングデータを用いて,EPIC法と統合的デコンボリューションを行い,RNAシークエンシングデータから7種類の免疫および間質細胞の比率を推定した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We investigated the data-driven relationship between features in the tumor microenvironment (TME) and the overall and 5-year survival in triple-negative breast cancer (TNBC) and non-TNBC (NTNBC) patients by using Explainable Artificial Intelligence (XAI) models. We used clinical information from patients with invasive breast carcinoma from The Cancer Genome Atlas and from two studies from the cbioPortal, the PanCanAtlas project and the GDAC Firehose study. In this study, we used a normalized RNA sequencing data-driven cohort from 1,015 breast cancer patients, alive or deceased, from the UCSC Xena data set and performed integrated deconvolution with the EPIC method to estimate the percentage of seven different immune and stromal cells from RNA sequencing data. Novel insights derived from our XAI model showed that CD4+ T cells and B cells are more critical than other TME features for enhanced prognosis for both TNBC and NTNBC patients. Our XAI model revealed the critical inflection points (i.e., threshold fractions) of CD4+ T cells and B cells above or below which 5-year survival rates improve. Subsequently, we ascertained the conditional probabilities of $\geq$ 5-year survival in both TNBC and NTNBC patients under specific conditions inferred from the inflection points. In particular, the XAI models revealed that a B-cell fraction exceeding 0.018 in the TME could ensure 100% 5-year survival for NTNBC patients. The findings from this research could lead to more accurate clinical predictions and enhanced immunotherapies and to the design of innovative strategies to reprogram the TME of breast cancer patients.
Abstract（参考訳）: 腫瘍微小環境 (TME) の特徴と3重陰性乳癌 (TNBC) と非TNBC (NTNBC) 患者の生存年数との関係について, Explainable Artificial Intelligence (XAI) モデルを用いて検討した。 The Cancer Genome Atlasの浸潤乳癌患者とCbioPortalとPanCanAtlasプロジェクトとGDAC Firehose研究の2つの研究から臨床情報を得た。そこで本研究では,UCSC Xenaデータセットから1015名の乳癌患者から得られた正常化RNAシークエンシングデータを用いて,EPIC法と統合的デコンボリューションを行い,RNAシークエンシングデータから7種類の免疫および間質細胞の比率を推定した。 XAIモデルから得られた新たな知見は,CD4+T細胞およびB細胞が,TNBCおよびNTNBC患者の予後を高めるために他のTME特徴よりも重要であることを示している。 XAIモデルではCD4+T細胞と5年生存率を向上したB細胞に臨界反射点(しきい値)が認められた。以上の結果より, TNBCおよびNTNBC患者は, 摂動点から推定した条件条件下で5年間生存可能と判断された。特にXAIモデルでは,TMEのB細胞分画は0.018以上であり,NTNBC患者の生存率は100%であった。この研究から得られた知見は、より正確な臨床予測と免疫療法の強化、乳がん患者のTMEをプログラムする革新的な戦略の設計につながる可能性がある。

関連論文リスト

TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文参考訳（メタデータ） (2024-11-05T19:35:10Z)
Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文参考訳（メタデータ） (2024-05-13T15:48:26Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
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)
Immunohistochemistry guided segmentation of benign epithelial cells, in situ lesions, and invasive epithelial cells in breast cancer slides [0.3251634769699391]
乳がん領域における上皮細胞のセグメンテーションのためのAIモデルを開発した。浸潤上皮細胞,良性上皮細胞,in situ病変に対するDiceスコア0.70,0.79,0.75の定量評価を行った。
論文参考訳（メタデータ） (2023-11-22T09:25:08Z)
Breast Cancer Detection and Diagnosis: A comparative study of state-of-the-arts deep learning architectures [3.883460584034766]
南アフリカなど世界3カ国の乳がん患者の生存率は驚くほど低い。医療専門家や研究者は、エンドツーエンドソリューションを開発するために、ドメイン固有のAIアプローチ、特にディープラーニングモデルに目を向けている。本研究では、ビジョントランスフォーマー(ViT)と呼ばれる比較的新しいモデルと比較して、様々な最先端畳み込みニューラルネットワーク(CNN)アーキテクチャの性能を評価することに焦点を当てる。
論文参考訳（メタデータ） (2023-05-31T15:21:34Z)
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)
hist2RNA: An efficient deep learning architecture to predict gene expression from breast cancer histopathology images [11.822321981275232]
深層学習アルゴリズムは、デジタル病理画像中の形態パターンを効果的に抽出し、分子の表現型を迅速かつ低コストで予測することができる。我々は,138遺伝子の発現を予測するために,バルクRNAシークエンシング技術にインスパイアされたhist2RNAという新しい計算効率の高い手法を提案する。
論文参考訳（メタデータ） (2023-04-10T10:54:32Z)
Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文参考訳（メタデータ） (2022-03-20T21:00:10Z)
Deep Learning Based Model for Breast Cancer Subtype Classification [3.419451872918847]
本稿では,乳癌の4つのサブタイプ(Basal,Her2,LumA,LumB)の分類における遺伝子発現データの利用に焦点を当てた。オートエンコーダを用いて、特徴セットのサイズを20,530の遺伝子発現値から500に縮小する。第1ステージと第2ステージのネットワークを併用することにより,TGA乳癌データセット上で平均10倍の精度0.907を達成できた。
論文参考訳（メタデータ） (2021-11-06T17:15:35Z)

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。