論文の概要: Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable Multimodal Deep Learning

• arxiv url: http://arxiv.org/abs/2108.02278v1
• Date: Wed, 4 Aug 2021 20:40:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 14:47:30.669250
• Title: Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable Multimodal Deep Learning
• Title（参考訳）: 解釈可能なマルチモーダル深層学習によるパンキャンサ積分ヒストロジー-ゲノム解析
• Authors: Richard J. Chen, Ming Y. Lu, Drew F. K. Williamson, Tiffany Y. Chen, Jana Lipkova, Muhammad Shaban, Maha Shady, Mane Williams, Bumjin Joo, Zahra Noor, Faisal Mahmood
• Abstract要約: 14種類のがん患者5,720人のスライド画像,RNA配列,コピー数の変化,および突然変異データを統合する。 我々の解釈可能な、弱教師付き、マルチモーダルなディープラーニングアルゴリズムは、これらの不均一なモダリティを融合して結果を予測することができる。 本研究は,全ての癌型にまたがる予後予測に寄与する形態学的および分子マーカーを解析する。
• 参考スコア（独自算出の注目度）: 4.764927152701701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapidly emerging field of deep learning-based computational pathology has demonstrated promise in developing objective prognostic models from histology whole slide images. However, most prognostic models are either based on histology or genomics alone and do not address how histology and genomics can be integrated to develop joint image-omic prognostic models. Additionally identifying explainable morphological and molecular descriptors from these models that govern such prognosis is of interest. We used multimodal deep learning to integrate gigapixel whole slide pathology images, RNA-seq abundance, copy number variation, and mutation data from 5,720 patients across 14 major cancer types. Our interpretable, weakly-supervised, multimodal deep learning algorithm is able to fuse these heterogeneous modalities for predicting outcomes and discover prognostic features from these modalities that corroborate with poor and favorable outcomes via multimodal interpretability. We compared our model with unimodal deep learning models trained on histology slides and molecular profiles alone, and demonstrate performance increase in risk stratification on 9 out of 14 cancers. In addition, we analyze morphologic and molecular markers responsible for prognostic predictions across all cancer types. All analyzed data, including morphological and molecular correlates of patient prognosis across the 14 cancer types at a disease and patient level are presented in an interactive open-access database (http://pancancer.mahmoodlab.org) to allow for further exploration and prognostic biomarker discovery. To validate that these model explanations are prognostic, we further analyzed high attention morphological regions in WSIs, which indicates that tumor-infiltrating lymphocyte presence corroborates with favorable cancer prognosis on 9 out of 14 cancer types studied.
• Abstract（参考訳）: 深層学習に基づく計算病理学の急速に発展する分野は、スライド画像全体から客観的な予後モデルを開発することを約束している。 しかし、ほとんどの予後モデルは、組織学またはゲノム学のみに基づいており、ヒストロジーとゲノミクスがどのように統合され、共同画像-オミック予後モデルを開発するかについては触れていない。 さらに、このような予後を管理するこれらのモデルから説明可能な形態学的および分子的記述子を同定することが興味深い。 われわれは多モード深層学習を用いて,14種類のがん患者5,720名を対象に,ギガピクセル全体の画像,RNA配列の多量性,コピー数の変化,突然変異データを統合した。 我々の解釈可能、弱教師付き、マルチモーダルディープラーニングアルゴリズムは、これらの不均質なモダリティを融合して結果を予測することができ、マルチモーダルな解釈可能性によって貧弱で好ましい結果と共生するこれらのモダリティから予測的特徴を見つけることができる。 組織学スライドと分子プロファイルだけで訓練した単型深層学習モデルと比較し,14例中9例におけるリスク階層化のパフォーマンス向上を実証した。 さらに,全ての癌型にまたがる予後予測に寄与する形態学的および分子マーカーを解析した。 疾患の14種類の癌と患者レベルの患者の予後に関する形態学的および分子的相関を含むすべての分析データは、さらなる探索と予後のバイオマーカー発見を可能にする対話的オープンアクセスデータベース(http://pancancer.mahmoodlab.org)に提示される。 これらのモデルが予後不良であることを示すため、wsisの高注意形態学的領域を更に分析し、腫瘍浸潤リンパ球の存在が14種類のがんタイプ中9種類で良好な癌予後と相関することを示した。

関連論文リスト

• Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
  そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。 PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。 腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
  論文  参考訳（メタデータ） (2024-04-11T09:07:40Z)
• Gene-MOE: A sparsely gated prognosis and classification framework exploiting pan-cancer genomic information [13.57379781623848]
  そこで本研究では, RNA-seq解析フレームワークであるGene-MOEについて紹介する。 Gene-MOEは、分析精度を高めるために、MOE層とアテンションエキスパート層の混合物のポテンシャルを利用する。 事前訓練を通じて33種類のがんからパンがん情報を統合することで、過度に適合する課題に対処する。
  論文  参考訳（メタデータ） (2023-11-29T07:09:25Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• 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)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Attention-based Interpretable Regression of Gene Expression in Histology [0.0]
  深層学習の解釈可能性は、医用画像モデルの信頼性を評価するために広く利用されている。 腫瘍組織の顕微な外観と遺伝子発現のプロファイリングとの関連性を明らかにする。
  論文  参考訳（メタデータ） (2022-08-29T07:30:33Z)
• Contrastive learning-based computational histopathology predict differential expression of cancer driver genes [13.167222116204226]
  HistCodeは、スライド画像全体から差分遺伝子発現を推論する、自己教師付きコントラスト学習フレームワークである。 以上の結果から,本手法は腫瘍診断タスクにおける他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-04-25T23:21:33Z)
• Transcriptome-wide prediction of prostate cancer gene expression from histopathology images using co-expression based convolutional neural networks [0.8874479658912061]
  形態と遺伝子発現の関係を特異的にモデル化する新しい計算効率の高い手法を提案する。 前立腺癌におけるRNA塩基配列推定のためのCNNを用いた第1回トランスクリプトーム解析を行った。
  論文  参考訳（メタデータ） (2021-04-19T13:50:25Z)
• 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)
• 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)
• 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。