論文の概要: Contrastive Learning for Predicting Cancer Prognosis Using Gene
Expression Values
- arxiv url: http://arxiv.org/abs/2306.06276v2
- Date: Tue, 19 Sep 2023 03:52:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 19:40:04.432656
- Title: Contrastive Learning for Predicting Cancer Prognosis Using Gene
Expression Values
- Title（参考訳）: 遺伝子発現値を用いた癌予後予測のためのコントラスト学習
- Authors: Anchen Sun, Zhibin Chen, Xiaodong Cai
- Abstract要約: 比較学習(CL)は,限られたデータサンプルから優れた特徴表現を学習することで,さらなる学習作業を容易にすることを示す。
The Cancer Genome Atlas (TCGA) のデータを用いて, CL-based Cox model (CLCox) は, 19種類のがんの予後を予測する上で, 既存の手法よりも有意に優れていたことを実証した。
- 参考スコア（独自算出の注目度）: 3.842808389088287
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Several artificial neural networks (ANNs) have been developed recently to
predict the prognosis of different types of cancer based on the tumor
transcriptome. However, they have not demonstrated significantly better
performance than the regularized Cox proportional hazards regression model.
Training an ANN is challenging with a limited number of data samples and a
high-dimensional feature space. Recent advancements in image classification
have shown that contrastive learning (CL) can facilitate further learning tasks
by learning good feature representation from a limited number of data samples.
In this paper, we applied supervised CL to tumor gene expression and clinical
data to learn feature representations in a low-dimensional space. We then used
these learned features to train a Cox model for predicting cancer prognosis.
Using data from The Cancer Genome Atlas (TCGA), we demonstrated that our
CL-based Cox model (CLCox) significantly outperformed existing methods in
predicting the prognosis of 19 types of cancer considered. We also developed
CL-based classifiers to classify tumors into different risk groups and showed
that CL can significantly improve classification accuracy. Specifically, our
CL-based classifiers achieved an area under the receiver operating
characteristic curve (AUC) of greater than 0.8 for 14 types of cancer and and
an AUC of greater than 0.9 for 2 types of cancer. CLCox models and CL-based
classifiers trained with TCGA lung cancer and prostate cancer data were
validated with the data of two independent cohorts.
- Abstract（参考訳）: いくつかの人工神経回路網 (ANN) が, 腫瘍トランスクリプトームに基づく様々な種類の癌の予後を予測するために最近開発された。
しかし、正則化されたCox比例ハザード回帰モデルよりも性能が著しく向上していない。
ANNのトレーニングは、限られたデータサンプルと高次元の機能空間で難しい。
画像分類の最近の進歩は、限られた数のデータサンプルから良い特徴表現を学習することで、コントラスト学習(cl)によりさらなる学習タスクが促進されることを示している。
本稿では,腫瘍遺伝子の発現と臨床データにCLを応用し,低次元空間における特徴表現を学習する。
次にこれらの学習機能を用いて,癌予後予測のためのcoxモデルをトレーニングした。
The Cancer Genome Atlas (TCGA) のデータを用いて, CL-based Cox model (CLCox) は, 19種類のがんの予後を予測する上で, 既存の手法よりも有意に優れていることを示した。
また,腫瘍を異なるリスクグループに分類するCLベースの分類器を開発し,CLが分類精度を大幅に向上できることを示した。
具体的には,14種類の癌に対して受信器動作特性曲線 (auc) が0.8以上, 2種類の癌に対して0.9以上のaucが達成された。
TCGA肺癌および前立腺癌データを訓練したCLCoxモデルとCLベース分類器を,2つの独立したコホートを用いて検証した。
関連論文リスト
- Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
医用画像の分類性能に関する連続学習戦略(CL)の行動について検討した。
我々は,リプレイ,フォーッティングなし学習(LwF),LwF,Pseudo-Label戦略を評価した。
LwF と Pseudo-Label は最適な分類性能を示すが、評価に公正度の測定値を含めると、Pseudo-Label がバイアスが少ないことは明らかである。
論文 参考訳（メタデータ） (2024-04-10T09:48:52Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳（メタデータ） (2023-04-12T05:41:44Z) - Machine Learning Methods for Cancer Classification Using Gene Expression
Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。
遺伝子発現は癌の早期発見において基本的な役割を担っている。
本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文 参考訳（メタデータ） (2023-01-28T15:03:03Z) - Improving Precancerous Case Characterization via Transformer-based
Ensemble Learning [31.891340667123124]
自然言語処理のがん病理学報告への応用は、がん症例の検出に焦点が当てられている。
先天性腺腫のキャラクタリゼーションの改善は、早期がんの検出と予防のための診断試験の開発を支援する。
以上の結果から,NLPを用いて早期がん予防のための診断試験の開発を促進できる可能性が示唆された。
論文 参考訳（メタデータ） (2022-12-10T00:06:28Z) - 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) - Deep Learning Based Model for Breast Cancer Subtype Classification [3.419451872918847]
本稿では,乳癌の4つのサブタイプ(Basal,Her2,LumA,LumB)の分類における遺伝子発現データの利用に焦点を当てた。
オートエンコーダを用いて、特徴セットのサイズを20,530の遺伝子発現値から500に縮小する。
第1ステージと第2ステージのネットワークを併用することにより,TGA乳癌データセット上で平均10倍の精度0.907を達成できた。
論文 参考訳（メタデータ） (2021-11-06T17:15:35Z) - 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) - 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) - Machine Learning Against Cancer: Accurate Diagnosis of Cancer by Machine
Learning Classification of the Whole Genome Sequencing Data [0.0]
我々は,MLAC(Machine Learning Against Cancer)の新たな手法を開発し,完全精度,感度,特異性を実現した。
The Cancer Genome Atlas and Genotype-Tissue Expression project for cancerous and healthy tissues。
論文 参考訳（メタデータ） (2020-09-12T18:51:47Z) - 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) - Iteratively Pruned Deep Learning Ensembles for COVID-19 Detection in
Chest X-rays [3.785818062712446]
この病気は、SARS-CoV-2(SARS-CoV-2)ウイルスによって引き起こされる。
カスタム畳み込みニューラルネットワークとImageNet事前訓練モデルの選択を患者レベルでトレーニングし、評価する。
学習した知識は、パフォーマンスと一般化を改善するために伝達され、微調整される。
論文 参考訳（メタデータ） (2020-04-16T00:09:29Z)
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。