論文の概要: Multi-Omic Data Integration and Feature Selection for Survival-based
Patient Stratification via Supervised Concrete Autoencoders
- arxiv url: http://arxiv.org/abs/2206.10699v1
- Date: Tue, 21 Jun 2022 19:44:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 15:30:42.276734
- Title: Multi-Omic Data Integration and Feature Selection for Survival-based
Patient Stratification via Supervised Concrete Autoencoders
- Title(参考訳): 教師付きコンクリートオートエンコーダによるサバイバルベース患者の階層化のためのマルチオミックデータ統合と特徴選択
- Authors: Pedro Henrique da Costa Avelar, Roman Laddach, Sophia Karagiannis, Min
Wu, Sophia Tsoka
- Abstract要約: 生存型マルチオミック統合のためのSupervised Autoencoderモデルを開発した。
本報告では, 特徴選択を用いたコンクリート監督オートエンコーダモデル (CSAE) について報告する。
我々の実験は、我々のモデルが最もよく使われているベースラインよりも優れているか、あるいは同等であることを示している。
- 参考スコア(独自算出の注目度): 4.846870511582627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cancer is a complex disease with significant social and economic impact.
Advancements in high-throughput molecular assays and the reduced cost for
performing high-quality multi-omics measurements have fuelled insights through
machine learning . Previous studies have shown promise on using multiple omic
layers to predict survival and stratify cancer patients. In this paper, we
developed a Supervised Autoencoder (SAE) model for survival-based multi-omic
integration which improves upon previous work, and report a Concrete Supervised
Autoencoder model (CSAE), which uses feature selection to jointly reconstruct
the input features as well as predict survival. Our experiments show that our
models outperform or are on par with some of the most commonly used baselines,
while either providing a better survival separation (SAE) or being more
interpretable (CSAE). We also perform a feature selection stability analysis on
our models and notice that there is a power-law relationship with features
which are commonly associated with survival. The code for this project is
available at: https://github.com/phcavelar/coxae
- Abstract(参考訳): 癌は複雑な疾患であり、社会や経済に大きな影響を及ぼす。
高速分子アッセイの進歩と高品質なマルチオミクス測定のコストの低減は、機械学習を通じた洞察を刺激している。
これまでの研究では、複数のomic layerを使用して生存予測とがん患者の階層化を約束している。
本稿では,先行研究により改良されたサバイバルベースマルチオミック統合のための教師付きオートエンコーダ(sae)モデルを開発し,特徴選択を用いて入力特徴を合成し,サバイバル予測を行うコンクリート教師付きオートエンコーダモデル(csae)を報告する。
我々の実験によると、我々のモデルはより優れた生存分離(SAE)を提供するか、より解釈可能な(CSAE)かのどちらかで、最もよく使われているベースラインのいくつかに匹敵するか同等である。
また、モデル上で特徴選択安定性解析を行い、生存に共通する特徴とパワーローの関係があることに気付きました。
このプロジェクトのコードは、https://github.com/phcavelar/coxaeで入手できる。
関連論文リスト
- Enhanced Survival Prediction in Head and Neck Cancer Using Convolutional Block Attention and Multimodal Data Fusion [7.252280210331731]
本稿では,頭頸部癌患者の生存率を予測するための深層学習に基づくアプローチを提案する。
提案手法は,特徴抽出をCBAM (Convolutional Block Attention Module) とマルチモーダルデータ融合層と統合する。
最終的な予測は、完全にパラメトリックな離散時間生存モデルによって達成される。
論文 参考訳(メタデータ) (2024-10-29T07:56:04Z) - Interpretable Prediction and Feature Selection for Survival Analysis [18.987678432106563]
我々は、強い差別と解釈可能性の両方を達成する新しい生存分析モデルであるDyS(dice'と発音する)を提示する。
DySは、特徴選択と解釈可能な予測を1つのモデルに組み合わせた、機能スパースな一般化付加モデルである。
論文 参考訳(メタデータ) (2024-04-23T02:36:54Z) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳(メタデータ) (2023-10-24T02:56:05Z) - Pathology-and-genomics Multimodal Transformer for Survival Outcome
Prediction [43.1748594898772]
大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。
ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。
我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
論文 参考訳(メタデータ) (2023-07-22T00:59:26Z) - Stacked Autoencoder Based Multi-Omics Data Integration for Cancer
Survival Prediction [3.083561980077652]
重畳オートエンコーダを用いた生存予測ニューラルネットワーク(SAEsurv-net)と呼ばれる,がん生存予測のためのマルチオミクスデータの統合手法を提案する。
SAEsurv-netは、2段階の次元減少戦略で次元の呪いに対処し、重ねられた計算オートエンコーダモデルで多次元の不均一性を扱う。
実験の結果、SAEsurv-netは単一のタイプのデータと他の最先端の手法に基づくモデルよりも優れていた。
論文 参考訳(メタデータ) (2022-07-08T13:53:11Z) - Analysis of MRI Biomarkers for Brain Cancer Survival Prediction [0.3093890460224435]
マルチモーダルMRIによる脳がん患者の総合生存率(OS)の予測は、研究の難しい分野である。
生存予測に関する既存の文献のほとんどは、放射能の特徴に基づいている。
年齢は最も重要な生物学的予測因子であることがわかった。
論文 参考訳(メタデータ) (2021-09-03T05:35:47Z) - 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) - 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) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳(メタデータ) (2020-06-08T19:24:54Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z)
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。