論文の概要: Optimize Deep Learning Models for Prediction of Gene Mutations Using
Unsupervised Clustering
- arxiv url: http://arxiv.org/abs/2204.01593v1
- Date: Thu, 31 Mar 2022 11:48:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-08 08:02:16.050114
- Title: Optimize Deep Learning Models for Prediction of Gene Mutations Using
Unsupervised Clustering
- Title(参考訳): 教師なしクラスタリングを用いた遺伝子変異予測のためのディープラーニングモデル最適化
- Authors: Zihan Chen, Xingyu Li, Miaomiao Yang, Hong Zhang, Xu Steven Xu
- Abstract要約: ディープ・ラーニング(Deep Learning)は、全スライディングのデジタル病理画像の解析と解釈において、主流の方法論選択となっている。
本稿では, 教師なしクラスタリングに基づくマルチインスタンス学習を提案するとともに, 3種類の癌からのWSIを用いた遺伝子変異予測のための深層学習モデルの構築に本手法を適用した。
画像パッチの教師なしクラスタリングは, 予測パッチの同定, 予測情報の欠如を排除し, 3種類の癌における遺伝子変異の予測を改善できることを示した。
- 参考スコア(独自算出の注目度): 6.494144125433731
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has become the mainstream methodological choice for analyzing
and interpreting whole-slide digital pathology images (WSIs). It is commonly
assumed that tumor regions carry most predictive information. In this paper, we
proposed an unsupervised clustering-based multiple-instance learning, and apply
our method to develop deep-learning models for prediction of gene mutations
using WSIs from three cancer types in The Cancer Genome Atlas (TCGA) studies
(CRC, LUAD, and HNSCC). We showed that unsupervised clustering of image patches
could help identify predictive patches, exclude patches lack of predictive
information, and therefore improve prediction on gene mutations in all three
different cancer types, compared with the WSI based method without selection of
image patches and models based on only tumor regions. Additionally, our
proposed algorithm outperformed two recently published baseline algorithms
leveraging unsupervised clustering to assist model prediction. The
unsupervised-clustering-based approach for mutation prediction allows
identification of the spatial regions related to mutation of a specific gene
via the resolved probability scores, highlighting the heterogeneity of a
predicted genotype in the tumor microenvironment. Finally, our study also
demonstrated that selection of tumor regions of WSIs is not always the best way
to identify patches for prediction of gene mutations, and other tissue types in
the tumor micro-environment may provide better prediction ability for gene
mutations than tumor tissues.
- Abstract(参考訳): 深層学習は、全スライディングデジタル病理画像(WSI)の解析と解釈において主要な方法論選択となっている。
一般的に腫瘍領域は最も予測的な情報を持っていると考えられている。
本稿では,教師なしクラスタリングに基づくマルチインスタンス学習を提案し,癌ゲノムアトラス(TCGA)研究(CRC,LUAD,HNSCC)における3つのがんタイプからのWSIを用いた遺伝子変異予測のためのディープラーニングモデルを構築した。
画像パッチの教師なしクラスタリングは, 腫瘍領域のみに基づく画像パッチとモデルを選択することなく, WSI法と比較して, 予測パッチを識別し, 予測情報の欠如を排除し, 癌3種類の遺伝子変異の予測を改善することができることを示した。
さらに,提案アルゴリズムは,教師なしクラスタリングを利用してモデル予測を支援するベースラインアルゴリズムを2つ最近発表した。
突然変異予測のための教師なしクラスタリングに基づくアプローチは、解決された確率スコアを通して特定の遺伝子の突然変異に関連する空間領域を同定し、腫瘍微小環境における予測された遺伝子型の不均一性を強調する。
最後に, wsisの腫瘍領域の選択が遺伝子変異予測のためのパッチを特定する最善の方法とは限らないこと, また, 腫瘍マイクロ環境における他の組織タイプは, 腫瘍組織よりも遺伝子変異の予測能力が向上する可能性が示唆された。
関連論文リスト
- 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) - 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) - rfPhen2Gen: A machine learning based association study of brain imaging
phenotypes to genotypes [71.1144397510333]
56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。
アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。
ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
論文 参考訳(メタデータ) (2022-03-31T20:15:22Z) - Multi-modal learning for predicting the genotype of glioma [14.93152817415408]
Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。
焦点腫瘍像と幾何学的特徴をMRIから派生した脳ネットワーク特徴と統合することにより、グリオーマ遺伝子型をより正確に予測できることが期待されている。
本稿では,3つのエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
論文 参考訳(メタデータ) (2022-03-21T10:20:04Z) - 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) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳(メタデータ) (2021-02-11T09:04:45Z) - 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) - 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) - Unsupervised Feature Selection for Tumor Profiles using Autoencoders and
Kernel Methods [1.9078991171384014]
本研究は,腫瘍サンプルの有意義かつ低次元的表現を学習し,腫瘍サブタイプのクラスターを見つけることを目的とする。
The proposed method called Latent Kernel Feature Selection (LKFS) is an unsupervised approach for gene selection in tumor gene expression profiles。
論文 参考訳(メタデータ) (2020-07-12T21:59:05Z) - The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model
Learning with Application to Genomic Data Integration [0.0]
本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。
モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
論文 参考訳(メタデータ) (2020-05-08T16:34:58Z)
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。