論文の概要: Deep Orthogonal Fusion: Multimodal Prognostic Biomarker Discovery
Integrating Radiology, Pathology, Genomic, and Clinical Data
- arxiv url: http://arxiv.org/abs/2107.00648v1
- Date: Thu, 1 Jul 2021 17:59:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 14:57:10.625816
- Title: Deep Orthogonal Fusion: Multimodal Prognostic Biomarker Discovery
Integrating Radiology, Pathology, Genomic, and Clinical Data
- Title(参考訳): Deep Orthogonal Fusion: 放射線学、病理学、ゲノム学、臨床データを統合したマルチモーダルバイオマーカー発見
- Authors: Nathaniel Braman, Jacob W. H. Gordon, Emery T. Goossens, Caleb Willis,
Martin C. Stumpe, Jagadish Venkataraman
- Abstract要約: グリオーマ患者の生存率 (OS) を, 深層直交核融合モデルを用いて予測した。
このモデルは、MRI検査、生検に基づくモダリティ、臨床変数から得た情報を総合的なマルチモーダルリスクスコアに組み合わせることを学ぶ。
グリオーマ患者を臨床的サブセット内でOSにより明らかに層分けし、予後不良な臨床グレーディングと分子サブタイプにさらに粒度を付加する。
- 参考スコア(独自算出の注目度): 0.32622301272834525
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical decision-making in oncology involves multimodal data such as
radiology scans, molecular profiling, histopathology slides, and clinical
factors. Despite the importance of these modalities individually, no deep
learning framework to date has combined them all to predict patient prognosis.
Here, we predict the overall survival (OS) of glioma patients from diverse
multimodal data with a Deep Orthogonal Fusion (DOF) model. The model learns to
combine information from multiparametric MRI exams, biopsy-based modalities
(such as H&E slide images and/or DNA sequencing), and clinical variables into a
comprehensive multimodal risk score. Prognostic embeddings from each modality
are learned and combined via attention-gated tensor fusion. To maximize the
information gleaned from each modality, we introduce a multimodal
orthogonalization (MMO) loss term that increases model performance by
incentivizing constituent embeddings to be more complementary. DOF predicts OS
in glioma patients with a median C-index of 0.788 +/- 0.067, significantly
outperforming (p=0.023) the best performing unimodal model with a median
C-index of 0.718 +/- 0.064. The prognostic model significantly stratifies
glioma patients by OS within clinical subsets, adding further granularity to
prognostic clinical grading and molecular subtyping.
- Abstract(参考訳): 腫瘍学における臨床的決定には、放射線検査、分子プロファイリング、病理組織学のスライド、臨床因子などのマルチモーダルデータが含まれる。
これらのモダリティが個々に重要であるにもかかわらず、現在まで深層学習の枠組みが組み合わされ、患者の予後を予測することができる。
本稿では,dof(deep orthogonal fusion)モデルを用いて,多彩なマルチモーダルデータからグリオーマ患者の総合生存率 (os) を予測する。
このモデルは、マルチパラメトリックMRI検査、生検に基づくモダリティ(H&Eスライド画像や/またはDNAシークエンシングなど)、臨床変数の情報を総合的なマルチモーダルリスクスコアに組み合わせることを学ぶ。
それぞれの様相から予測埋め込みを学習し、注意を向けたテンソル融合によって結合する。
各モードから得られる情報を最大化するために、構成埋め込みをより補完的なものにインセンティブを与えることでモデル性能を高めるマルチモーダル直交化(MMO)損失項を導入する。
DOFは、グリオーマ患者のC-インデックス0.788 +/-0.067でOSを予測し、C-インデックス0.718 +/-0.064で最高のパフォーマンスである(p=0.023)。
予後モデルは臨床サブセット内でOSによりグリオーマ患者を有意に階層化し,予後診断と分子サブタイプにさらに粒度を付加する。
関連論文リスト
- UNICORN: A Deep Learning Model for Integrating Multi-Stain Data in Histopathology [2.9389205138207277]
UNICORNは動脈硬化の重症度予測のための多段階組織学を処理できるマルチモーダルトランスフォーマーである。
このアーキテクチャは、2段階のエンドツーエンドのトレーニング可能なモデルと、トランスフォーマーの自己保持ブロックを利用する特殊なモジュールから構成される。
UNICORNは0.67の分類精度を達成し、他の最先端モデルを上回った。
論文 参考訳(メタデータ) (2024-09-26T12:13:52Z) - MMIST-ccRCC: A Real World Medical Dataset for the Development of Multi-Modal Systems [12.914295902429]
本稿では,MMIST-CCRCCと呼ばれる実世界のマルチモーダルデータセットを紹介する。
このデータセットは、クリア細胞腎細胞癌(ccRCC)618例の2つの放射線学的モダリティ(CTとMRI)、病理組織学、ゲノム学、臨床データからなる。
このような深刻な欠落率であっても、モダリティの融合は生存予測の改善につながることを示す。
論文 参考訳(メタデータ) (2024-05-02T18:29:05Z) - Cross-modality Attention-based Multimodal Fusion for Non-small Cell Lung
Cancer (NSCLC) Patient Survival Prediction [0.6476298550949928]
非小細胞肺癌(NSCLC)における患者生存予測のためのモダリティ特異的知識の統合を目的としたマルチモーダル核融合パイプラインを提案する。
組織画像データとRNA-seqデータのみを用いてc-index0.5772と0.5885を達成した単一モダリティと比較して, 提案した融合法はc-index0.6587を達成した。
論文 参考訳(メタデータ) (2023-08-18T21:42:52Z) - SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for
prior-informed assessment of muscle function and pathology [48.54269377408277]
本稿では,仮説駆動型先行処理をデータ駆動型ディープラーニングアプローチに統合した,SEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を紹介する。
SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。
SEMPAIは、少ないデータを含む7つの予測タスクのうち6つにおいて、最先端のバイオマーカーよりも優れています。
論文 参考訳(メタデータ) (2022-10-28T17:03:04Z) - Integrative Imaging Informatics for Cancer Research: Workflow Automation
for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。
エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。
欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
論文 参考訳(メタデータ) (2022-10-06T18:23:42Z) - RadioPathomics: Multimodal Learning in Non-Small Cell Lung Cancer for
Adaptive Radiotherapy [1.8161758803237067]
非小細胞肺癌に対する放射線治療成績を予測するため, マルチモーダルレイトフュージョン法を開発した。
実験により、AUCが90.9%ドルと同等のマルチモーダルパラダイムが、各ユニモーダルアプローチより優れていることが示された。
論文 参考訳(メタデータ) (2022-04-26T16:32:52Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳(メタデータ) (2021-12-18T14:17:49Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - 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) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳(メタデータ) (2020-05-27T06:58:39Z) - 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)
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。