論文の概要: Deep learning methods for drug response prediction in cancer:
predominant and emerging trends
- arxiv url: http://arxiv.org/abs/2211.10442v1
- Date: Fri, 18 Nov 2022 03:26:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 22:45:49.005131
- Title: Deep learning methods for drug response prediction in cancer:
predominant and emerging trends
- Title（参考訳）: がんにおける薬物反応予測のための深層学習法 : 主流と新興動向
- Authors: Alexander Partin (1), Thomas S. Brettin (1), Yitan Zhu (1), Oleksandr
Narykov (1), Austin Clyde (1 and 2), Jamie Overbeek (1), Rick L. Stevens (1
and 2) ((1) Division of Data Science and Learning, Argonne National
Laboratory, Argonne, IL, USA, (2) Department of Computer Science, The
University of Chicago, Chicago, IL, USA)
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 50.281853616905416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cancer claims millions of lives yearly worldwide. While many therapies have
been made available in recent years, by in large cancer remains unsolved.
Exploiting computational predictive models to study and treat cancer holds
great promise in improving drug development and personalized design of
treatment plans, ultimately suppressing tumors, alleviating suffering, and
prolonging lives of patients. A wave of recent papers demonstrates promising
results in predicting cancer response to drug treatments while utilizing deep
learning methods. These papers investigate diverse data representations, neural
network architectures, learning methodologies, and evaluations schemes.
However, deciphering promising predominant and emerging trends is difficult due
to the variety of explored methods and lack of standardized framework for
comparing drug response prediction models. To obtain a comprehensive landscape
of deep learning methods, we conducted an extensive search and analysis of deep
learning models that predict the response to single drug treatments. A total of
60 deep learning-based models have been curated and summary plots were
generated. Based on the analysis, observable patterns and prevalence of methods
have been revealed. This review allows to better understand the current state
of the field and identify major challenges and promising solution paths.
- Abstract（参考訳）: がんは世界中で何百万人もの命がかかっている。
近年、多くの治療法が利用可能になっているが、大きながんによる治療は未解決のままである。
がんの研究と治療のための計算予測モデルを展開することは、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の改善、最終的には腫瘍の抑制、痛みの緩和、患者の寿命の延長に大いに貢献する。
最近の論文の波は、深層学習法を利用して、薬物治療に対するがん反応を予測する有望な結果を示している。
本稿では,多様なデータ表現,ニューラルネットワークアーキテクチャ,学習方法論,評価スキームについて検討する。
しかし,薬物反応予測モデルを比較するための標準化された枠組みが欠如しているため,有望な主流・新興傾向の解読は困難である。
深層学習手法の総合的な展望を得るため, 単一薬物治療に対する反応を予測する深層学習モデルの広範囲な探索と解析を行った。
合計60のディープラーニングベースのモデルがキュレーションされ、要約プロットが生成される。
分析の結果,観察可能なパターンと手法の普及傾向が明らかになった。
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。
関連論文リスト
- An Explainable AI Model for Predicting the Recurrence of Differentiated Thyroid Cancer [0.0]
本研究は,甲状腺癌の再発を予測するために,機械学習,特にディープラーニングモデルを用いている。
患者の臨床病理学的特徴を含むデータセットを解析することにより、トレーニング中の98%、テスト中の96%の顕著な精度を達成できた。
論文 参考訳（メタデータ） (2024-10-13T23:12:33Z) - WISER: Weak supervISion and supErvised Representation learning to improve drug response prediction in cancer [7.9505208530650995]
がんは、ゲノム的な変化と患者間で不均一に現れるため、世界中の死因の1つとなっている。
ゲノムデータの分布の変化と、細胞株とヒトの間の薬物反応の変動は、生物学的および環境的な違いによって生じる。
最近のがん薬物反応予測法は、教師なしドメイン不変表現学習のパラダイムに大きく従っている。
本稿では,第1フェーズにおける表現学習手法と第2フェーズにおける監督の弱さを通じて,これらの課題に対処する。
論文 参考訳（メタデータ） (2024-05-07T07:21:20Z) - Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳（メタデータ） (2024-02-02T00:31:01Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - A Deep Bayesian Bandits Approach for Anticancer Therapy: Exploration via
Functional Prior [13.368491963797151]
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。
論文 参考訳（メタデータ） (2022-05-05T21:56:14Z) - Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。
本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文 参考訳（メタデータ） (2022-02-08T09:42:08Z) - 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) - 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) - Deep neural network models for computational histopathology: A survey [1.2891210250935146]
深層学習は がん組織像の分析と解釈において 主流の方法論選択となりました
本稿では,現在使われている最先端の深層学習手法について概説する。
私たちは、現在のディープラーニングアプローチにおける重要な課題と制限と、将来の研究への道のりを強調します。
論文 参考訳（メタデータ） (2019-12-28T01:04:25Z)
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。