論文の概要: DRIVE: Machine Learning to Identify Drivers of Cancer with High-Dimensional Genomic Data & Imputed Labels

• arxiv url: http://arxiv.org/abs/2105.00469v1
• Date: Sun, 2 May 2021 13:27:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 02:15:06.348377
• Title: DRIVE: Machine Learning to Identify Drivers of Cancer with High-Dimensional Genomic Data & Imputed Labels
• Title（参考訳）: DRIVE:高次元ゲノミクスデータとインプットラベルを用いた癌のドライバ同定のための機械学習
• Authors: Adnan Akbar, Andrey Solovyev, John W Cassidy, Nirmesh Patel, Harry W Clifford
• Abstract要約: ドライバー突然変異同定のための新しい組み合わせ法を提案する。 統計モデルと関数的影響に基づく手法の両方の力を使う。 最初の結果は、この手法が精度で最先端の手法よりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying the mutations that drive cancer growth is key in clinical decision making and precision oncology. As driver mutations confer selective advantage and thus have an increased likelihood of occurrence, frequency-based statistical models are currently favoured. These methods are not suited to rare, low frequency, driver mutations. The alternative approach to address this is through functional-impact scores, however methods using this approach are highly prone to false positives. In this paper, we propose a novel combination method for driver mutation identification, which uses the power of both statistical modelling and functional-impact based methods. Initial results show this approach outperforms the state-of-the-art methods in terms of precision, and provides comparable performance in terms of area under receiver operating characteristic curves (AU-ROC). We believe that data-driven systems based on machine learning, such as these, will become an integral part of precision oncology in the near future.
• Abstract（参考訳）: がんの成長を促進する突然変異の同定は、臨床意思決定と正確な腫瘍学において鍵となる。 ドライバーの変異は選択的に有利であり、発生の可能性も高まるため、現在周波数ベースの統計モデルが好まれている。 これらの方法は稀で低頻度のドライバ突然変異には適していない。 これに対処する別のアプローチは機能的インパクトスコア(英語版)によるものであるが、このアプローチを用いる手法は偽陽性の傾向が高い。 本稿では,統計モデルと機能的影響に基づく手法の両方のパワーを用いた,ドライバ変異同定のための新しい組み合わせ手法を提案する。 最初の結果から,この手法は精度において最先端の手法よりも優れており,受信特性曲線(AU-ROC)の下での面積に匹敵する性能を提供する。 このような機械学習に基づくデータ駆動システムは、近い将来、精度オンコロジーの不可欠な部分になるだろうと考えています。

関連論文リスト

• Effect sizes as a statistical feature-selector-based learning to detect breast cancer [0.0]
  エフェクトサイズ(エフェクトサイズ)は、数値スケール上の2つの変数間の関係の強さを測定する統計的概念である。 本研究では,統計的特徴選択型学習ツールの開発の可能性を示すアルゴリズムと実験結果を示す。
  論文  参考訳（メタデータ） (2024-11-11T11:07:38Z)
• Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。 大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Predictive Modeling for Breast Cancer Classification in the Context of Bangladeshi Patients: A Supervised Machine Learning Approach with Explainable AI [0.0]
  5種類の機械学習手法の分類精度,精度,リコール,F-1スコアを評価し,比較した。 XGBoostは97%という最高のモデル精度を達成した。
  論文  参考訳（メタデータ） (2024-04-06T17:23:21Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Algorithmic encoding of protected characteristics and its implications on disparities across subgroups [17.415882865534638]
  機械学習モデルは、患者の人種的アイデンティティと臨床結果の間に望ましくない相関関係を拾うことができる。 これらのバイアスがどのようにコード化され、どのように異なるパフォーマンスを減らしたり、取り除いたりするかについては、ほとんど分かっていない。
  論文  参考訳（メタデータ） (2021-10-27T20:30:57Z)
• Increased peak detection accuracy in over-dispersed ChIP-seq data with supervised segmentation models [2.2559617939136505]
  制約のない複数変更点検出モデルにおいて、代替ノイズ仮定と適切な設定により、カウントデータによる過分散を低減できることを示す。 結果: 代替ノイズ仮定と適切なセットアップを備えた制約のないマルチチェンジポイント検出モデルにより、カウントデータによって表示される過分散が減少することを示した。
  論文  参考訳（メタデータ） (2020-12-12T16:03:27Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)
• Bimodal Distribution Removal and Genetic Algorithm in Neural Network for Breast Cancer Diagnosis [0.0]
  本稿では,BDR (Bimodal Distribution removal) の目的癌診断分類問題に対する効果について検討する。 BDRプロセスは実際には分類性能に悪影響を及ぼす。 本稿では,遺伝的アルゴリズムを特徴選択のための効率的なツールとして検討する。
  論文  参考訳（メタデータ） (2020-02-20T13:51:40Z)

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。