論文の概要: Automated Cancer Subtyping via Vector Quantization Mutual Information
Maximization
- arxiv url: http://arxiv.org/abs/2206.10801v1
- Date: Wed, 22 Jun 2022 01:55:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-24 06:13:06.230765
- Title: Automated Cancer Subtyping via Vector Quantization Mutual Information
Maximization
- Title(参考訳): ベクトル量子化相互情報最大化による癌自動置換
- Authors: Zheng Chen, Lingwei Zhu, Ziwei Yang, Takashi Matsubara
- Abstract要約: そこで本研究では,遺伝子プロファイルを利用してサブタイプを非教師付きで識別する新たなクラスタリング手法を提案する。
本手法は既存の論争を呼んだラベルを精製し,さらに医学的な分析により癌生存率と高い相関があることが証明された。
- 参考スコア(独自算出の注目度): 10.191396978971168
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cancer subtyping is crucial for understanding the nature of tumors and
providing suitable therapy. However, existing labelling methods are medically
controversial, and have driven the process of subtyping away from teaching
signals. Moreover, cancer genetic expression profiles are high-dimensional,
scarce, and have complicated dependence, thereby posing a serious challenge to
existing subtyping models for outputting sensible clustering. In this study, we
propose a novel clustering method for exploiting genetic expression profiles
and distinguishing subtypes in an unsupervised manner. The proposed method
adaptively learns categorical correspondence from latent representations of
expression profiles to the subtypes output by the model. By maximizing the
problem -- agnostic mutual information between input expression profiles and
output subtypes, our method can automatically decide a suitable number of
subtypes. Through experiments, we demonstrate that our proposed method can
refine existing controversial labels, and, by further medical analysis, this
refinement is proven to have a high correlation with cancer survival rates.
- Abstract(参考訳): 癌サブタイプは腫瘍の性質を理解し、適切な治療を提供するために重要である。
しかし、既存のラベリング法は医学的に議論の的となり、教示信号のサブタイプ化を推進してきた。
さらに、癌遺伝子の発現プロファイルは高次元であり、希少であり、複雑な依存を持つため、感受性クラスタリングを出力する既存のサブタイプモデルに深刻な課題を生じさせる。
本研究では,遺伝的表現プロファイルの活用とサブタイプを教師なしで識別する新たなクラスタリング手法を提案する。
提案手法は,表現プロファイルの潜在表現からモデルが出力するサブタイプへのカテゴリ対応を適応的に学習する。
問題 -- 入力式プロファイルと出力サブタイプ間の非依存な相互情報を最大化することで、適切なサブタイプを自動で決定できる。
実験により,提案手法が既存の議論を呼ぶラベルを洗練できることを実証し,さらなる医学的分析により,この改良が癌生存率と高い相関性を持つことが証明された。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Subtype-Former: a deep learning approach for cancer subtype discovery
with multi-omics data [17.36619699329539]
本研究では,TransformerとBlockに基づくディープラーニング手法であるSubtype-Formerを提案する。
その結果,Subtype-Formerは生存率分析に基づいて,5000以上の腫瘍のベンチマークデータセットで良好な性能を発揮することがわかった。
対象とするがん治療薬の研究に使用できる50種類の重要なバイオマーカーを同定した。
論文 参考訳(メタデータ) (2022-07-28T08:15:06Z) - Cancer Subtyping by Improved Transcriptomic Features Using Vector
Quantized Variational Autoencoder [10.835673227875615]
本稿では,Vector Quantized Variational AutoEncoder (VQ-VAE)を提案する。
VQ-VAEは厳密な仮定を課さないため、その潜在機能は入力のより良い表現であり、メインストリームのクラスタリング手法で優れたクラスタリング性能を得ることができる。
論文 参考訳(メタデータ) (2022-07-20T09:47:53Z) - Cancer Subtyping via Embedded Unsupervised Learning on Transcriptomics
Data [5.232428469965068]
教師なし学習の観点から,自動サブタイピングについて検討する。
具体的には、典型的には存在するが教師なしの学習サブタイプ文学では失敗する強いガウス性仮定をバイパスする。
提案手法は, 潜在空間の特徴をよりよく把握し, 分子レベルでの癌サブタイプの発現をモデル化する。
論文 参考訳(メタデータ) (2022-04-02T11:44:58Z) - Multi-class versus One-class classifier in spontaneous speech analysis
oriented to Alzheimer Disease diagnosis [58.720142291102135]
本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。
外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
論文 参考訳(メタデータ) (2022-03-21T09:57:20Z) - DeepGene Transformer: Transformer for the gene expression-based classification of cancer subtypes [5.179504118679301]
がんとそのサブタイプは世界中の死因の約30%を占める。
マルチヘッド自己認識モジュールを用いた高次元遺伝子発現の複雑さに対処するDeepGene Transformerを提案する。
論文 参考訳(メタデータ) (2021-08-26T15:02:55Z) - 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) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
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。