論文の概要: XOmiVAE: an interpretable deep learning model for cancer classification using high-dimensional omics data

• arxiv url: http://arxiv.org/abs/2105.12807v1
• Date: Wed, 26 May 2021 19:55:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-28 16:32:54.868220
• Title: XOmiVAE: an interpretable deep learning model for cancer classification using high-dimensional omics data
• Title（参考訳）: XOmiVAE:高次元オミクスデータを用いた癌分類のための解釈可能なディープラーニングモデル
• Authors: Eloise Withnell, Xiaoyu Zhang, Kai Sun, Yike Guo
• Abstract要約: 我々は,高次元オミクスデータを用いた癌分類のための新しい解釈可能な深層学習モデルXOmiVAEを提案する。 XOmiVAEは、特定の予測のために各遺伝子と潜伏次元の寄与値を得ることができる。 また、XOmiVAEは、教師なし分類と教師なしクラスタリングの結果の両方をディープラーニングネットワークから説明できることを明らかにした。
• 参考スコア（独自算出の注目度）: 17.697184123548503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning based approaches have proven promising to model omics data. However, one of the current limitations compared to statistical and traditional machine learning approaches is the lack of explainability, which not only reduces the reliability, but limits the potential for acquiring novel knowledge from unpicking the "black-box" models. Here we present XOmiVAE, a novel interpretable deep learning model for cancer classification using high-dimensional omics data. XOmiVAE is able to obtain contribution values of each gene and latent dimension for a specific prediction, and the correlation between genes and the latent dimensions. It is also revealed that XOmiVAE can explain both the supervised classification and the unsupervised clustering results from the deep learning network. To the best of our knowledge, XOmiVAE is one of the first activated-based deep learning interpretation method to explain novel clusters generated by variational autoencoders. The results generated by XOmiVAE were validated by both the biomedical knowledge and the performance of downstream tasks. XOmiVAE explanations of deep learning based cancer classification and clustering aligned with current domain knowledge including biological annotation and literature, which shows great potential for novel biomedical knowledge discovery from deep learning models. The top XOmiVAE selected genes and dimensions shown significant influence to the performance of cancer classification. Additionally, we offer important steps to consider when interpreting deep learning models for tumour classification. For instance, we demonstrate the importance of choosing background samples that makes biological sense and the limitations of connection weight based methods to explain latent dimensions.
• Abstract（参考訳）: ディープラーニングベースのアプローチは、オミクスデータをモデル化することを約束している。 しかし、現在の統計的および伝統的な機械学習アプローチに比べて制限の1つは、説明可能性の欠如であり、信頼性を低下させるだけでなく、"ブラックボックス"モデルから新しい知識を得る可能性を制限する。 本稿では,高次元オミクスデータを用いた癌分類のための新しい解釈可能な深層学習モデルであるxomivaeについて述べる。 XOmiVAEは、特定の予測のための各遺伝子および潜伏次元の寄与値と、遺伝子と潜伏次元の相関を得ることができる。 また、XOmiVAEは、教師なし分類と教師なしクラスタリングの結果の両方をディープラーニングネットワークから説明できることを明らかにした。 我々の知る限り、XOmiVAEは、変分オートエンコーダによって生成された新しいクラスタを説明するための、最初に活性化されたディープラーニング解釈手法の1つである。 XOmiVAEが生み出した結果は,生物医学的知識と下流タスクの性能の両方で検証された。 XOmiVAEは、ディープラーニングに基づくがん分類とクラスタリングを、生物学的アノテーションや文献を含む現在のドメイン知識と整合させ、深層学習モデルから新たなバイオメディカル知識発見の可能性を示している。 トップXOmiVAEが選択した遺伝子と次元は、がん分類の性能に大きな影響を及ぼした。 さらに,腫瘍分類のための深層学習モデルを解釈する際に重要なステップを提供する。 例えば、生物学的に意味のある背景サンプルを選択することの重要性と、潜在次元を説明するための接続重みに基づく方法の限界を示す。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• A Comparative Analysis of Gene Expression Profiling by Statistical and Machine Learning Approaches [1.8954222800767324]
  がん検体を分類する機械学習モデルの生物学的および方法論的限界について論じる。 遺伝子ランキングはこれらのモデルに適応した説明可能性法から得られる。 ブラックボックスニューラルネットワークによって学習された情報は、微分表現の概念と関連している。
  論文  参考訳（メタデータ） (2024-02-01T18:17:36Z)
• EvalAttAI: A Holistic Approach to Evaluating Attribution Maps in Robust and Non-Robust Models [0.3425341633647624]
  本稿では、ロバストニューラルネットワークがより説明しやすいかどうかを調べるために、属性マッピングの評価方法に焦点を当てる。 従来の指標の限界に対処する新しい説明可能性忠実度指標(EvalAttAI)を提案する。
  論文  参考訳（メタデータ） (2023-03-15T18:33:22Z)
• 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)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• 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)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)
• An Investigation of Interpretability Techniques for Deep Learning in Predictive Process Analytics [2.162419921663162]
  本稿では、深層ニューラルネットワークとランダムフォレストという、医学的意思決定文学において最も成功した学習アルゴリズムの2つの解釈可能性手法について検討する。 我々は,患者のがんの種類を予測するためのモデルを学ぶ。 がんのタイプに関する有用な洞察を提供する予測に使用される特定の特徴と、十分に一般化されていない特徴が見られます。
  論文  参考訳（メタデータ） (2020-02-21T09:14:34Z)

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。