論文の概要: Multiple Instance Neural Networks Based on Sparse Attention for Cancer
Detection using T-cell Receptor Sequences
- arxiv url: http://arxiv.org/abs/2208.04524v1
- Date: Tue, 9 Aug 2022 03:24:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 12:15:09.217781
- Title: Multiple Instance Neural Networks Based on Sparse Attention for Cancer
Detection using T-cell Receptor Sequences
- Title（参考訳）: t細胞受容体配列を用いた癌検出のためのスパース注意に基づく複数インスタンスニューラルネットワーク
- Authors: Younghoon Kim, Tao Wang, Danyi Xiong, Xinlei Wang, and Seongoh Park
- Abstract要約: 本稿では,スパースアテンション(MINN-SA)に基づく複数インスタンスニューラルネットワークを提案する。
MINN-SAは10種類の癌で測定された平均値において、ROC曲線(AUC)値が最も高い。
- 参考スコア（独自算出の注目度）: 10.199698726118003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early detection of cancers has been much explored due to its paramount
importance in biomedical fields. Among different types of data used to answer
this biological question, studies based on T cell receptors (TCRs) are under
recent spotlight due to the growing appreciation of the roles of the host
immunity system in tumor biology. However, the one-to-many correspondence
between a patient and multiple TCR sequences hinders researchers from simply
adopting classical statistical/machine learning methods. There were recent
attempts to model this type of data in the context of multiple instance
learning (MIL).
Despite the novel application of MIL to cancer detection using TCR sequences
and the demonstrated adequate performance in several tumor types, there is
still room for improvement, especially for certain cancer types. Furthermore,
explainable neural network models are not fully investigated for this
application.
In this article, we propose multiple instance neural networks based on sparse
attention (MINN-SA) to enhance the performance in cancer detection and
explainability. The sparse attention structure drops out uninformative
instances in each bag, achieving both interpretability and better predictive
performance in combination with the skip connection.
Our experiments show that MINN-SA yields the highest area under the ROC curve
(AUC) scores on average measured across 10 different types of cancers, compared
to existing MIL approaches. Moreover, we observe from the estimated attentions
that MINN-SA can identify the TCRs that are specific for tumor antigens in the
same T cell repertoire.
- Abstract（参考訳）: がんの早期発見は、バイオメディカル分野において最重要視されているため、多くの研究がなされている。
この生物学的問題に答えるために使用されるさまざまな種類のデータの中で、T細胞受容体(TCR)に基づく研究は、腫瘍生物学における宿主免疫系の役割の認識が高まり、近年注目されている。
しかし、患者と複数のtcrシーケンスの間の1対1の対応は、研究者が従来の統計/機械学習手法を採用することを妨げている。
このタイプのデータを、MIL(Multiple Case Learning)のコンテキストでモデル化する試みが最近行われた。
TCRシークエンスを用いた癌検出へのMILの新規な応用といくつかの腫瘍タイプで十分な性能を示したにもかかわらず、特に特定のがんタイプに対して改善の余地は残っている。
さらに,本アプリケーションでは説明可能なニューラルネットワークモデルが十分に検討されていない。
本稿では,sparse attention(minn-sa)に基づく複数のインスタンスニューラルネットワークを提案する。
スパースアテンション構造は各バッグの不正なインスタンスを排除し、スキップ接続と組み合わせて解釈可能性と予測性能を両立させる。
以上の結果から,MINN-SAは,従来のMIL法と比較して,10種類の癌の平均値において,OC曲線(AUC)値が最も高い値を示した。
さらに、MINN-SAがT細胞レパートリーの腫瘍抗原に特異的なTCRを同定できると推定された注意点から観察した。
関連論文リスト
- TRUSformer: Improving Prostate Cancer Detection from Micro-Ultrasound
Using Attention and Self-Supervision [7.503600085603685]
本研究の目的は,複数スケールのROIスケールと生検コアスケールのアプローチによるがん検出の改善である。
我々のモデルはROIスケールのみのモデルと比較して一貫した、実質的なパフォーマンス改善を示している。
論文 参考訳（メタデータ） (2023-03-03T18:12:46Z) - Prostate Lesion Detection and Salient Feature Assessment Using
Zone-Based Classifiers [0.0]
マルチパラメトリックMRI(Multi-parametric magnetic resonance imaging)は前立腺癌の病変の検出において役割を担っている。
これらのスキャンを解釈する医療専門家は、コンピュータ支援検出システムを用いることで、ヒューマンエラーのリスクを低減することが重要である。
本稿では,各前立腺領域に最適な機械学習分類器について検討する。
論文 参考訳（メタデータ） (2022-08-24T13:08:56Z) - Gene selection from microarray expression data: A Multi-objective PSO
with adaptive K-nearest neighborhood [0.0]
本稿では,遺伝子発現データを用いたヒト癌疾患の分類問題について論じる。
マイクロアレイデータセットを解析し,がん疾患を効果的に分類するための新しい手法を提案する。
論文 参考訳（メタデータ） (2022-05-27T04:22:10Z) - A Pilot Study of Relating MYCN-Gene Amplification with
Neuroblastoma-Patient CT Scans [14.442730976318726]
我々は、MYCN遺伝子増幅の有無を予測するために、複数の機械学習(ML)アルゴリズムを採用する。
このデータセットは、23人の神経芽腫患者の振り返りCT画像で構成されている。
CNNベースの方法は、事前訓練された畳み込みニューラルネットワークを使用し、放射能ベースの方法は放射能の特徴を抽出する。
論文 参考訳（メタデータ） (2022-05-21T15:14:24Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - 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) - MS-GWNN:multi-scale graph wavelet neural network for breast cancer
diagnosis [8.679247709183567]
乳がんの検出において,組織構造のマルチスケール情報を考慮に入れることが重要である。
本研究では,乳がんの画像分類のための新しいグラフ畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-29T06:04:27Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。