論文の概要: Coupling Deep Imputation with Multitask Learning for Downstream Tasks on Genomics Data

• arxiv url: http://arxiv.org/abs/2204.13705v1
• Date: Thu, 28 Apr 2022 09:48:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 10:17:42.584475
• Title: Coupling Deep Imputation with Multitask Learning for Downstream Tasks on Genomics Data
• Title（参考訳）: ゲノミクスデータに基づく下流課題に対するマルチタスク学習と深層計算の結合
• Authors: Sophie Peacock, Etai Jacob, Nikolay Burlutskiy
• Abstract要約: 本稿では,深層学習とマルチタスク学習を併用して,不足値のインパルス化が,最先端のパフォーマンス向上にどのように寄与するかを検討する。 本稿では,患者が1つを除いてすべてのモダリティを持つような値を暗示する,一般化された深層計算法を提案する。 対照的に、全てのモダリティを生存予測に用いた場合、マルチタスク学習だけでは統計的に有意な深層計算よりも優れていることが観察される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Genomics data such as RNA gene expression, methylation and micro RNA expression are valuable sources of information for various clinical predictive tasks. For example, predicting survival outcomes, cancer histology type and other patients' related information is possible using not only clinical data but molecular data as well. Moreover, using these data sources together, for example in multitask learning, can boost the performance. However, in practice, there are many missing data points which leads to significantly lower patient numbers when analysing full cases, which in our setting refers to all modalities being present. In this paper we investigate how imputing data with missing values using deep learning coupled with multitask learning can help to reach state-of-the-art performance results using combined genomics modalities, RNA, micro RNA and methylation. We propose a generalised deep imputation method to impute values where a patient has all modalities present except one. Interestingly enough, deep imputation alone outperforms multitask learning alone for the classification and regression tasks across most combinations of modalities. In contrast, when using all modalities for survival prediction we observe that multitask learning alone outperforms deep imputation alone with statistical significance (adjusted p-value 0.03). Thus, both approaches are complementary when optimising performance for downstream predictive tasks.
• Abstract（参考訳）: RNA遺伝子発現、メチル化、マイクロRNA発現などのゲノムデータは、様々な臨床予測タスクのための貴重な情報源である。 例えば、生存率、癌組織型、その他の患者の関連情報を、臨床データだけでなく分子データを用いて予測することができる。 さらに、例えばマルチタスク学習でこれらのデータソースを併用することで、パフォーマンスが向上する。 しかし、実際には、全症例を解析する際に、患者数を大幅に低下させるデータポイントが欠落しており、この設定では、すべてのモダリティが存在していることを言及している。 本稿では, 深層学習とマルチタスク学習の併用により, RNA, マイクロRNA, メチル化の併用による最先端のパフォーマンス向上に寄与することを示す。 本稿では,患者が1つを除いてすべてのモダリティを持つような値を暗示する,一般化された深層計算法を提案する。 興味深いことに、深い計算だけでは、ほとんどのモダリティの組み合わせの分類と回帰タスクにおいて、マルチタスク学習よりも優れています。 対照的に、全てのモダリティを生存予測に用いた場合、マルチタスク学習だけでは統計的意義(調整されたp値0.03)だけで深い計算結果を上回ることが観察される。 したがって、ダウンストリーム予測タスクのパフォーマンスを最適化する場合、両方のアプローチは相補的である。

関連論文リスト

• Weighted Diversified Sampling for Efficient Data-Driven Single-Cell Gene-Gene Interaction Discovery [56.622854875204645]
  本稿では,遺伝子・遺伝子相互作用の探索に先進的なトランスフォーマーモデルを活用する,データ駆動型計算ツールを活用した革新的なアプローチを提案する。 新たな重み付き多様化サンプリングアルゴリズムは、データセットのたった2パスで、各データサンプルの多様性スコアを算出する。
  論文  参考訳（メタデータ） (2024-10-21T03:35:23Z)
• DRIM: Learning Disentangled Representations from Incomplete Multimodal Healthcare Data [0.0]
  実生活の医療データは、しばしばマルチモーダルで不完全であり、高度なディープラーニングモデルの必要性を助長する。 データ疎性にもかかわらず、共有表現とユニークな表現をキャプチャする新しい方法であるDRIMを紹介する。 本手法はグリオーマ患者の生存予測タスクにおける最先端のアルゴリズムよりも優れており,モダリティの欠如に対して頑健である。
  論文  参考訳（メタデータ） (2024-09-25T16:13:57Z)
• Collaborative Learning with Different Labeling Functions [7.228285747845779]
  我々は、$n$のデータ分布ごとに正確な分類器を学習することを目的とした、協調型PAC学習の亜種について研究する。 データ分布がより弱い実現可能性の仮定を満たす場合、サンプル効率の学習は依然として可能であることを示す。
  論文  参考訳（メタデータ） (2024-02-16T04:32:22Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Time-dependent Iterative Imputation for Multivariate Longitudinal Clinical Data [0.0]
  Time-Dependent Iterative Imputationは時系列データを計算するための実用的なソリューションを提供する。 500,000人以上の患者を観察するコホートに応用した場合,本手法は最先端の計算法より優れていた。
  論文  参考訳（メタデータ） (2023-04-16T16:10:49Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• TRAPDOOR: Repurposing backdoors to detect dataset bias in machine learning-based genomic analysis [15.483078145498085]
  データセット内のグループの下位表現は、特定のグループの不正確な予測につながる可能性があるため、システム的識別問題を悪化させる可能性がある。 本稿では,ニューラルネットワークのバックドアであるTRAPDOORを提案する。 実世界のがんデータセットを用いて、すでに白人個人に対して存在するバイアスでデータセットを分析し、データセットにバイアスを人工的に導入する。
  論文  参考訳（メタデータ） (2021-08-14T17:02:02Z)
• MuCoMiD: A Multitask Convolutional Learning Framework for miRNA-Disease Association Prediction [0.4061135251278187]
  本稿では, MuCoMiD と呼ぶ新しいマルチタスク畳み込み方式を提案する。 MuCoMiDは、4つの異種生物情報ソースからの知識を取り入れつつ、自動特徴抽出を可能にする。 我々は、標準ベンチマークデータセットに関する大規模な実験と、より大規模な独立したテストセットとケーススタディを構築した。 MuCoMiDは、HMDDv2.0とHMDDv3.0データセットで5倍のCV評価を少なくとも5%改善し、最先端のアプローチよりも、目に見えない病気や目に見えない病気を持つ大規模独立テストセットで少なくとも49%改善した。
  論文  参考訳（メタデータ） (2021-08-08T10:01:46Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• 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)

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。