論文の概要: Simple and Scalable Algorithms for Cluster-Aware Precision Medicine

• arxiv url: http://arxiv.org/abs/2211.16553v3
• Date: Wed, 17 May 2023 22:49:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 20:31:34.541793
• Title: Simple and Scalable Algorithms for Cluster-Aware Precision Medicine
• Title（参考訳）: クラスタアウェア精密医療のための単純かつスケーラブルなアルゴリズム
• Authors: Amanda M. Buch, Conor Liston, and Logan Grosenick
• Abstract要約: 共同クラスタリングと埋め込みに対するシンプルでスケーラブルなアプローチを提案する。 この新しいクラスタ対応の埋め込みアプローチは、現在の共同埋め込みとクラスタリング法の複雑さと限界を克服する。 当社のアプローチでは,ユーザが希望するクラスタ数を選択する必要はなく,階層的にクラスタ化された埋め込みの解釈可能なデンドログラムを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-enabled precision medicine promises a transformational improvement in healthcare outcomes by enabling data-driven personalized diagnosis, prognosis, and treatment. However, the well-known "curse of dimensionality" and the clustered structure of biomedical data together interact to present a joint challenge in the high dimensional, limited observation precision medicine regime. To overcome both issues simultaneously we propose a simple and scalable approach to joint clustering and embedding that combines standard embedding methods with a convex clustering penalty in a modular way. This novel, cluster-aware embedding approach overcomes the complexity and limitations of current joint embedding and clustering methods, which we show with straightforward implementations of hierarchically clustered principal component analysis (PCA), locally linear embedding (LLE), and canonical correlation analysis (CCA). Through both numerical experiments and real-world examples, we demonstrate that our approach outperforms traditional and contemporary clustering methods on highly underdetermined problems (e.g., with just tens of observations) as well as on large sample datasets. Importantly, our approach does not require the user to choose the desired number of clusters, but instead yields interpretable dendrograms of hierarchically clustered embeddings. Thus our approach improves significantly on existing methods for identifying patient subgroups in multiomics and neuroimaging data, enabling scalable and interpretable biomarkers for precision medicine.
• Abstract（参考訳）: AI対応の精密医療は、データ駆動型パーソナライズされた診断、予後、治療を可能にすることで、医療結果の変革的な改善を約束する。 しかし、よく知られた「次元の曲線」と生物医学データのクラスター構造が相互作用し、高次元で限定された観察精密医学領域における共同チャレンジを示す。 両問題を同時に克服するために,標準的な埋め込み手法と凸クラスタリングペナルティをモジュール方式で組み合わせた,シンプルでスケーラブルな共同クラスタリングと埋め込み手法を提案する。 本手法は, 階層的クラスタ化主成分分析 (PCA) や局所線形埋め込み (LLE) , 正準相関解析 (CCA) の簡単な実装により, 現在の共同埋め込み法とクラスタリング法の複雑さと限界を克服するものである。 数値実験と実例の両方を通して,本手法が従来のクラスタリング手法や現代のクラスタリング手法を,非常に不確定な問題(例えば,数十回の観測で)や大規模なサンプルデータセットで上回っていることを実証する。 重要なことは、私たちのアプローチでは、ユーザが望ましい数のクラスタを選択する必要はなく、階層的にクラスタ化された埋め込みの解釈可能なデンドログラムが得られます。 したがって,マルチオミクスおよびニューロイメージングデータにおける既存のサブグループ同定手法を大幅に改善し,スケーラブルで解釈可能なバイオマーカーを精度の高い医療に活用する。

関連論文リスト

• Hierarchical and Density-based Causal Clustering [6.082022112101251]
  本稿では,既成のアルゴリズムを用いて簡易かつ容易に実装可能なプラグイン推定器を提案する。 さらに,それらの収束率について検討し,因果クラスタリングの付加コストが基本的に結果回帰関数の推定誤差であることを示す。
  論文  参考訳（メタデータ） (2024-11-02T14:01:04Z)
• Federated unsupervised random forest for privacy-preserving patient stratification [0.4499833362998487]
  教師なしランダムフォレストを用いた新しいマルチオミクスクラスタリング手法を提案する。 我々は、機械学習ベンチマークデータセットとThe Cancer Genome Atlasのがんデータに対するアプローチを検証する。 本手法は病気のサブタイプに関して最先端の手法と競合するが,同時にクラスタの解釈可能性も大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-29T12:04:14Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Tk-merge: Computationally Efficient Robust Clustering Under General Assumptions [0.0]
  トリミングされたk平均と階層的アグロメレーションに基づく2段階のハイブリッドロバストクラスタリングアルゴリズムを提案する。 また、本手法の自然な一般化と、データ駆動方式で汚染量を推定する適応的な手順を提案する。
  論文  参考訳（メタデータ） (2022-01-17T13:05:05Z)
• Fast and Interpretable Consensus Clustering via Minipatch Learning [0.0]
  IMPACC: Interpretable MiniPatch Adaptive Consensus Clustering を開発した。 我々は、信頼性と計算コストの両面で改善された観測のための適応型サンプリング手法を開発した。 その結果,より正確で解釈可能なクラスタソリューションが得られた。
  論文  参考訳（メタデータ） (2021-10-05T22:39:28Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• 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。