論文の概要: PACS: Prediction and analysis of cancer subtypes from multi-omics data
based on a multi-head attention mechanism model
- arxiv url: http://arxiv.org/abs/2308.10917v1
- Date: Mon, 21 Aug 2023 03:54:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 14:24:52.404879
- Title: PACS: Prediction and analysis of cancer subtypes from multi-omics data
based on a multi-head attention mechanism model
- Title(参考訳): pacs:マルチヘッド注意機構モデルに基づくマルチオミクスデータによる癌サブタイプの予測と解析
- Authors: Liangrui Pan, Dazheng Liu, Zhichao Feng, Wenjuan Liu, Shaoliang Peng
- Abstract要約: がんサブタイプの分類を成功させるために, 教師付きマルチヘッドアテンション機構モデル(SMA)を提案する。
SMAモデルのアテンション機構と特徴共有モジュールは、マルチオミクスデータのグローバルおよびローカルの特徴情報をうまく学習することができる。
SMAモデルは、シミュレーションされた単一細胞およびがんマルチオミクスデータセットにおけるがんサブタイプの最も正確なF1マクロスコープ、F1重み付きおよび正確な分類を達成する。
- 参考スコア(独自算出の注目度): 2.275409158519155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the high heterogeneity and clinical characteristics of cancer, there
are significant differences in multi-omic data and clinical characteristics
among different cancer subtypes. Therefore, accurate classification of cancer
subtypes can help doctors choose the most appropriate treatment options,
improve treatment outcomes, and provide more accurate patient survival
predictions. In this study, we propose a supervised multi-head attention
mechanism model (SMA) to classify cancer subtypes successfully. The attention
mechanism and feature sharing module of the SMA model can successfully learn
the global and local feature information of multi-omics data. Second, it
enriches the parameters of the model by deeply fusing multi-head attention
encoders from Siamese through the fusion module. Validated by extensive
experiments, the SMA model achieves the highest accuracy, F1 macroscopic, F1
weighted, and accurate classification of cancer subtypes in simulated,
single-cell, and cancer multiomics datasets compared to AE, CNN, and GNN-based
models. Therefore, we contribute to future research on multiomics data using
our attention-based approach.
- Abstract(参考訳): がんの高均一性および臨床的特徴から,多変量データと癌サブタイプの臨床的特徴に有意差が認められた。
したがって、がんサブタイプの正確な分類は、医師が最も適切な治療法を選択し、治療結果を改善し、より正確な患者生存予測を提供するのに役立つ。
本研究では,がんサブタイプの分類に成功するためのマルチヘッドアテンション機構モデル(SMA)を提案する。
SMAモデルのアテンション機構と特徴共有モジュールは、マルチオミクスデータのグローバルおよびローカルの特徴情報をうまく学習することができる。
第二に、シームズから融合モジュールを介してマルチヘッドアテンションエンコーダを深く融合させることによりモデルのパラメータを豊かにする。
広範な実験によって検証されたsmaモデルは、ae、cnn、gnnベースのモデルと比較して、シミュレート、シングルセル、および癌マルチオミクスデータセットにおける癌サブタイプの最高精度、f1マクロ、f1重み付け、正確な分類を達成している。
そこで我々は,注意に基づくアプローチによるマルチオミクスデータの研究に貢献する。
関連論文リスト
- Hierarchical Classification System for Breast Cancer Specimen Report
(HCSBC) -- an end-to-end model for characterizing severity and diagnosis [3.4454444815042735]
階層型ハイブリッドトランスフォーマーベースパイプライン(59ラベル)の開発 -乳癌検体分類システム(HCSBC)-
我々は、EUHデータに基づいてモデルをトレーニングし、2つの外部データセット(MGHとMayo Clinical)でモデルの性能を評価した。
論文 参考訳(メタデータ) (2023-11-02T18:37:45Z) - MoCLIM: Towards Accurate Cancer Subtyping via Multi-Omics Contrastive
Learning with Omics-Inference Modeling [9.900594964709116]
我々は癌サブタイプのための表現学習フレームワークであるMoCLIMを開発した。
その結果,本手法は,高次元癌症例の少ない症例において,データ適合性やサブタイプ性能を著しく向上させることが示唆された。
本フレームワークは, 各種医療評価を最終要素として含み, 医療分析における高い解釈可能性を提供する。
論文 参考訳(メタデータ) (2023-08-17T10:49:48Z) - DEDUCE: Multi-head attention decoupled contrastive learning to discover
cancer subtypes based on multi-omics data [4.082329244680199]
癌サブタイプの同定と発見は、癌の診断、治療、予後に不可欠である。
教師なしコントラスト学習のための注意機構に基づく一般化フレームワークを提案する。
提案フレームワークは,マルチヘッドアテンション機構に基づく非結合型コントラスト学習モデル(DEDUCE)を含む。
論文 参考訳(メタデータ) (2023-07-09T00:53:23Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - 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) - 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) - Multi-resolution Super Learner for Voxel-wise Classification of Prostate
Cancer Using Multi-parametric MRI [0.0]
本稿では,データのユニークな構造を考慮し,ボクセルワイドPCa分類を改善する機械学習手法を提案する。
本研究は,PCaの経時的臨床的意義とともに,2値PCa状態の詳細な分類アルゴリズムについて述べる。
論文 参考訳(メタデータ) (2020-07-02T00:14:55Z) - The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model
Learning with Application to Genomic Data Integration [0.0]
本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。
モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
論文 参考訳(メタデータ) (2020-05-08T16:34:58Z) - 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)
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。