論文の概要: A Deep Bayesian Bandits Approach for Anticancer Therapy: Exploration via Functional Prior

• arxiv url: http://arxiv.org/abs/2205.02944v1
• Date: Thu, 5 May 2022 21:56:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-09 13:58:18.824274
• Title: A Deep Bayesian Bandits Approach for Anticancer Therapy: Exploration via Functional Prior
• Title（参考訳）: 深部ベイズバンドによる抗がん治療 : 機能的優先による探索
• Authors: Mingyu Lu and Yifang Chen and Su-In Lee
• Abstract要約: 機械学習によるパーソナライズされたがん治療は がん患者が生存する可能性を改善する 素晴らしい約束です 近年の機械学習と精度オンコロジーの進歩にもかかわらず、このアプローチは依然として困難である。 本稿では,がん細胞株の文脈情報に基づいて抗がん治療をアルゴリズムが選択する「コンテキスト・バンディット」問題として薬物スクリーニング研究を定式化する。 本稿では,ゲノム的特徴と薬物構造からなるマルチモーダル情報に基づく薬物応答予測のために,薬物応答予測に先行して機能的を利用する新しいディープベイズ・バンディット・フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.368491963797151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning personalized cancer treatment with machine learning holds great promise to improve cancer patients' chance of survival. Despite recent advances in machine learning and precision oncology, this approach remains challenging as collecting data in preclinical/clinical studies for modeling multiple treatment efficacies is often an expensive, time-consuming process. Moreover, the randomization in treatment allocation proves to be suboptimal since some participants/samples are not receiving the most appropriate treatments during the trial. To address this challenge, we formulate drug screening study as a "contextual bandit" problem, in which an algorithm selects anticancer therapeutics based on contextual information about cancer cell lines while adapting its treatment strategy to maximize treatment response in an "online" fashion. We propose using a novel deep Bayesian bandits framework that uses functional prior to approximate posterior for drug response prediction based on multi-modal information consisting of genomic features and drug structure. We empirically evaluate our method on three large-scale in vitro pharmacogenomic datasets and show that our approach outperforms several benchmarks in identifying optimal treatment for a given cell line.
• Abstract（参考訳）: 機械学習を用いてパーソナライズされたがん治療を学習することは、がん患者の生存可能性を改善するための大きな約束である。 近年の機械学習と精度オンコロジーの進歩にもかかわらず、複数の治療効果をモデル化するための前臨床・臨床研究のデータ収集は高価で時間を要することが多いため、このアプローチは依然として困難である。 また, 治療割り当てのランダム化は, 被験者/サンプルが試験中最も適切な治療を受けていないため, 副最適であることが証明された。 この課題に対処するために,がん細胞株に関する文脈情報に基づいて抗がん剤をアルゴリズムが選択し,その治療戦略を適応させ,治療反応を「オンライン」形式で最大化する「コンテキスト的バンディット」問題として薬物スクリーニング研究を定式化する。 本稿では,ゲノム特徴と薬物構造からなるマルチモーダル情報に基づく薬物応答予測の近似後段として機能する,新しい深ベイズバンドイットフレームワークを提案する。 本手法は,3つの大規模in vitro薬理ゲノミクスデータセットを用いて実験的に評価し,特定の細胞株に対する最適な治療法を同定する上で,いくつかのベンチマークよりも優れることを示す。

関連論文リスト

• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data [0.05025737475817938]
  本稿では,個別のがん治療提案のためのモジュール型機械学習フレームワークを提案する。 このフレームワークは、データ駆動がん研究に固有の重要な課題に対処するように調整されている。 本手法は,臨床医に現実的な意思決定支援ツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-02-19T14:54:20Z)
• Accounting For Informative Sampling When Learning to Forecast Treatment Outcomes Over Time [66.08455276899578]
  適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。 逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。 本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
  論文  参考訳（メタデータ） (2023-06-07T08:51:06Z)
• 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)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• 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)
• Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
  オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する 乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
  論文  参考訳（メタデータ） (2022-01-09T04:35:55Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Divide-and-Rule: Self-Supervised Learning for Survival Analysis in Colorectal Cancer [9.431791041887957]
  本稿では,組織領域の表現とクラスタリングのメトリクスを学習し,その基盤となるパターンを学習する自己教師型学習手法を提案する。 提案手法は, 患者結果予測の過度な適合を避けるために, 線形予測器の恩恵を受けることができることを示す。
  論文  参考訳（メタデータ） (2020-07-07T09:15:36Z)

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。