論文の概要: Employing Feature Selection Algorithms to Determine the Immune State of
Mice with Rheumatoid Arthritis
- arxiv url: http://arxiv.org/abs/2207.05882v1
- Date: Tue, 12 Jul 2022 23:08:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 12:22:33.330019
- Title: Employing Feature Selection Algorithms to Determine the Immune State of
Mice with Rheumatoid Arthritis
- Title（参考訳）: 慢性関節リウマチマウスの免疫状態決定のための特徴選択アルゴリズムの利用
- Authors: Brendon K. Colbert, Joslyn L. Mangal, Aleksandr Talitckii, Abhinav P.
Acharya and Matthew M. Peet
- Abstract要約: 免疫反応は、抗原が自己なのか非自己なのかを体が決定する動的な過程である。
関節リウマチ(RA)などの免疫療法の目標は、免疫状態に偏り、規制的なアクターに有利である。
- 参考スコア（独自算出の注目度）: 61.460415598020234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The immune response is a dynamic process by which the body determines whether
an antigen is self or nonself. The state of this dynamic process is defined by
the relative balance and population of inflammatory and regulatory actors which
comprise this decision making process. The goal of immunotherapy as applied to,
e.g. Rheumatoid Arthritis (RA), then, is to bias the immune state in favor of
the regulatory actors - thereby shutting down autoimmune pathways in the
response. While there are several known approaches to immunotherapy, the
effectiveness of the therapy will depend on how this intervention alters the
evolution of this state. Unfortunately, this process is determined not only by
the dynamics of the process, but the state of the system at the time of
intervention - a state which is difficult if not impossible to determine prior
to application of the therapy.
- Abstract（参考訳）: 免疫応答は、体が抗原が自己であるか否かを判断するダイナミックなプロセスである。
この動的プロセスの状態は、この意思決定プロセスを構成する炎症性および規制的なアクターの相対的バランスと人口によって定義される。
関節リウマチ(ra)などに対する免疫療法の目標は、免疫状態の偏りを調節因子に委ねることであり、反応中の自己免疫経路を遮断することである。
免疫療法にはいくつかの既知のアプローチがあるが、治療の有効性は、この介入がこの状態の進化をどのように変化させるかに依存する。
残念ながら、このプロセスはプロセスのダイナミクスによって決定されるだけでなく、介入時のシステムの状態によって決定される。
関連論文リスト
- Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。
医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。
このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
論文 参考訳（メタデータ） (2024-11-05T18:14:49Z) - Treatment-wise Glioblastoma Survival Inference with Multi-parametric
Preoperative MRI [34.830878479276286]
MRスキャンに加えて治療情報を組み込んだグリオブラスト腫STの治療条件回帰モデルを提案する。
当社のアプローチでは,各治療の個別モデルをトレーニングする必要はなく,すべての治療から得られるデータを統一的に活用することが可能です。
論文 参考訳（メタデータ） (2024-02-10T16:13:09Z) - AI driven B-cell Immunotherapy Design [0.0]
抗原中和と除去ヒンジの効果は、パラトープ-エピトープ相互作用の強さ、感受性、特異性に影響を及ぼす。
近年、人工知能と機械学習の手法は大きな進歩を遂げ、タンパク質の構造とその複合体の予測に革命をもたらした。
本稿では,B細胞免疫療法設計分野における機械学習ツールとそのフレームワークの進歩に焦点をあてる。
論文 参考訳（メタデータ） (2023-09-03T09:14:10Z) - Non-Linear Self Augmentation Deep Pipeline for Cancer Treatment outcome
Prediction [7.455416595124159]
著者らは、深い下流の分類器とともに非線形セルアーキテクチャを利用する革新的な戦略を提示している。
本研究の目的は,胸部CT像から抽出した2次元特徴を慎重に選択・拡張し,治療成績の予測を改善することである。
提案したパイプラインは、高度に組み込まれたPoint of Careシステムとシームレスに統合するように慎重に設計されている。
論文 参考訳（メタデータ） (2023-07-26T15:01:26Z) - Dense Feature Memory Augmented Transformers for COVID-19 Vaccination
Search Classification [60.49594822215981]
本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。
本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。
この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-12-16T13:57:41Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳（メタデータ） (2022-11-08T11:50:31Z) - Deep Learning based Prediction of MSI in Colorectal Cancer via
Prediction of the Status of MMR Markers [10.686818568750525]
MSIまたはMMR欠損は、分子的変化の点でよく研究されている収差の1つである。
我々は、CK818またはH&Eで染色した1つのターゲットスライドを用いて、2段階のプロセスでMSI状態を予測する作業を行う。
論文 参考訳（メタデータ） (2022-02-24T18:56:59Z) - Understanding Human Innate Immune System Dependencies using Graph Neural
Networks [0.0]
パターン認識受容体(PRR)間の相互作用を利用して各PRRの活性化要求を予測するグラフニューラルネットワークモデルを提案する。
その結果、IFNsのアクティベーション予測精度は90%であり、フィードフォワードニューラルネットワークでは85%であった。
論文 参考訳（メタデータ） (2021-08-05T22:30:47Z) - 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) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z)
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。