Fugu-MT 論文翻訳(概要): MPVNN: Mutated Pathway Visible Neural Network Architecture for Interpretable Prediction of Cancer-specific Survival Risk

論文の概要: MPVNN: Mutated Pathway Visible Neural Network Architecture for Interpretable Prediction of Cancer-specific Survival Risk

arxiv url: http://arxiv.org/abs/2202.00882v1
Date: Wed, 2 Feb 2022 05:22:24 GMT
ステータス: 処理完了
システム内更新日: 2022-02-03 21:23:05.990338
Title: MPVNN: Mutated Pathway Visible Neural Network Architecture for Interpretable Prediction of Cancer-specific Survival Risk
Title（参考訳）: MPVNN: 癌特異的生存リスクの予測のための変異経路可視ニューラルネットワークアーキテクチャ
Authors: Gourab Ghosh Roy (1 and 2), Nicholas Geard (2), Karin Verspoor (3 and 2), Shan He (1) ((1) University of Birmingham, (2) University of Melbourne, (3) RMIT University)
Abstract要約: 遺伝子発現データを用いた生存リスク予測は、がんの治療決定に重要である。標準ニューラルネットワーク(NN)サバイバル分析モデルは、解釈不可能なブラックボックスである。本稿では,前処理経路の知識と遺伝子変異に基づくエッジランダム化信号の流れの破壊を利用した,新しいMutated Pathway VNNあるいはNNアーキテクチャを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Survival risk prediction using gene expression data is important in making treatment decisions in cancer. Standard neural network (NN) survival analysis models are black boxes with lack of interpretability. More interpretable visible neural network (VNN) architectures are designed using biological pathway knowledge. But they do not model how pathway structures can change for particular cancer types. We propose a novel Mutated Pathway VNN or MPVNN architecture, designed using prior signaling pathway knowledge and gene mutation data-based edge randomization simulating signal flow disruption. As a case study, we use the PI3K-Akt pathway and demonstrate overall improved cancer-specific survival risk prediction results of MPVNN over standard non-NN and other similar sized NN survival analysis methods. We show that trained MPVNN architecture interpretation, which points to smaller sets of genes connected by signal flow within the PI3K-Akt pathway that are important in risk prediction for particular cancer types, is reliable.
Abstract（参考訳）: 遺伝子発現データを用いた生存リスク予測は、がんの治療決定に重要である。標準ニューラルネットワーク(NN)サバイバル分析モデルは、解釈不可能なブラックボックスである。より解釈可能な可視性ニューラルネットワーク(VNN)アーキテクチャは、生物学的経路知識を用いて設計されている。しかし、特定のがんタイプに対して経路構造がどのように変化するかはモデル化しない。本稿では,前処理経路の知識と遺伝子変異データに基づくエッジランダム化を用いた信号流乱れをシミュレーションした,新しいMutated Pathway VNN(MPVNN)アーキテクチャを提案する。症例研究として,pi3k-akt経路を用い,標準非nnおよび類似サイズのnn生存率解析法に対するmpvnnの癌特異的生存リスク予測結果の総合的改善を示す。我々は,特定のがんのリスク予測において重要なPI3K-Akt経路内のシグナルフローによって結合される遺伝子のより小さなセットを示すMPVNNアーキテクチャの解釈が信頼できることを示す。

関連論文リスト

Use of Parallel Explanatory Models to Enhance Transparency of Neural Network Configurations for Cell Degradation Detection [18.214293024118145]
我々は,ニューラルネットワークの内部動作を照らし,理解するための並列モデルを構築している。 RNNの各層が入力分布を変換して検出精度を高める方法を示す。同時に、精度の向上を制限するために作用する副作用も発見する。
論文参考訳（メタデータ） (2024-04-17T12:22:54Z)
Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文参考訳（メタデータ） (2024-03-11T21:54:52Z)
Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文参考訳（メタデータ） (2023-10-02T03:25:32Z)
On Neural Networks as Infinite Tree-Structured Probabilistic Graphical Models [44.676210493587256]
本稿では,ニューラルネットワークに対応する無限木構造PGMを構築することにより,革新的な解を提案する。我々の研究は、DNNが前方伝播中に、この代替のPGM構造において正確であるPGMの近似を実行することを明らかにした。
論文参考訳（メタデータ） (2023-05-27T21:32:28Z)
Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。 VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文参考訳（メタデータ） (2023-05-02T22:15:54Z)
Explainable Multilayer Graph Neural Network for Cancer Gene Prediction [21.83218536069088]
本稿では,癌遺伝子の同定にEMGNN(Explainable Multilayer Graph Neural Network)アプローチを提案する。単一の生物学的ネットワーク上の従来のグラフ学習とは異なり、EMGNNは多層グラフニューラルネットワークを使用して、複数の生物学的ネットワークから正確ながん遺伝子予測を学習する。提案手法は, 従来手法よりも平均7.15%, 精度・リコール曲線 (AUPR) で改善されている。
論文参考訳（メタデータ） (2023-01-20T23:57:12Z)
Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
論文参考訳（メタデータ） (2022-10-28T18:58:34Z)
Collaborative learning of images and geometrics for predicting isocitrate dehydrogenase status of glioma [8.262398325144774]
IDH変異検出のゴールド標準は、侵襲的なアプローチによって得られた腫瘍組織を必要とし、通常は高価である。近年の放射線ゲノミクスの進歩は、MRIに基づくIDH変異を予測する非侵襲的アプローチを提供する。本稿では、畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)を用いて、腫瘍画像と腫瘍幾何学の両方を学習する協調学習フレームワークを提案する。その結果,提案モデルは3D-DenseNet121のベースラインモデルよりも優れていた。
論文参考訳（メタデータ） (2022-01-14T15:58:07Z)
Predicting isocitrate dehydrogenase mutationstatus in glioma using structural brain networksand graph neural networks [6.67232502899311]
Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に重要な価値をもたらす。機械学習とディープラーニングモデルは、IDH変異状態を予測する上で適切なパフォーマンスを示す。本稿では,患者の脳の構造的ネットワークに基づくグラフニューラルネットワーク(GNN)を用いたIDH変異の予測手法を提案する。
論文参考訳（メタデータ） (2021-09-04T12:19:33Z)
Stability of Graph Convolutional Neural Networks to Stochastic Perturbations [122.12962842842349]
グラフ畳み込みニューラルネットワーク(GCNN)は、ネットワークデータから表現を学ぶ非線形処理ツールである。現在の分析では決定論的摂動を考慮しているが、トポロジカルな変化がランダムである場合、関連する洞察を与えられない。本稿では,リンク損失に起因する乱れグラフ摂動に対するGCNNの安定性について検討する。
論文参考訳（メタデータ） (2021-06-19T16:25:28Z)
Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。