論文の概要: A graph neural network-based model with Out-of-Distribution Robustness
for enhancing Antiretroviral Therapy Outcome Prediction for HIV-1
- arxiv url: http://arxiv.org/abs/2312.17506v1
- Date: Fri, 29 Dec 2023 08:02:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-02 12:49:23.839761
- Title: A graph neural network-based model with Out-of-Distribution Robustness
for enhancing Antiretroviral Therapy Outcome Prediction for HIV-1
- Title（参考訳）: HIV-1に対する抗レトロウイルス治療成績予測のためのアウトオブディストリビューションロバスト性グラフニューラルネットワークモデル
- Authors: Giulia Di Teodoro, Federico Siciliano, Valerio Guarrasi, Anne-Mieke
Vandamme, Valeria Ghisetti, Anders S\"onnerborg, Maurizio Zazzi, Fabrizio
Silvestri, Laura Palagi
- Abstract要約: 本稿では,完全連結ニューラルネットワークとグラフニューラルネットワークの機能を組み合わせた新しいジョイントフュージョンモデルを提案する。
テストセットにおけるアウト・オブ・ディストリビューション・ドラッグに対するこれらのモデルの堅牢性を評価する。
- 参考スコア（独自算出の注目度）: 5.111166539327379
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Predicting the outcome of antiretroviral therapies for HIV-1 is a pressing
clinical challenge, especially when the treatment regimen includes drugs for
which limited effectiveness data is available. This scarcity of data can arise
either due to the introduction of a new drug to the market or due to limited
use in clinical settings. To tackle this issue, we introduce a novel joint
fusion model, which combines features from a Fully Connected (FC) Neural
Network and a Graph Neural Network (GNN). The FC network employs tabular data
with a feature vector made up of viral mutations identified in the most recent
genotypic resistance test, along with the drugs used in therapy. Conversely,
the GNN leverages knowledge derived from Stanford drug-resistance mutation
tables, which serve as benchmark references for deducing in-vivo treatment
efficacy based on the viral genetic sequence, to build informative graphs. We
evaluated these models' robustness against Out-of-Distribution drugs in the
test set, with a specific focus on the GNN's role in handling such scenarios.
Our comprehensive analysis demonstrates that the proposed model consistently
outperforms the FC model, especially when considering Out-of-Distribution
drugs. These results underscore the advantage of integrating Stanford scores in
the model, thereby enhancing its generalizability and robustness, but also
extending its utility in real-world applications with limited data
availability. This research highlights the potential of our approach to inform
antiretroviral therapy outcome prediction and contribute to more informed
clinical decisions.
- Abstract（参考訳）: HIV-1に対する抗レトロウイルス療法の結果を予測することは、特に有効データが限られている薬物を含む治療体制において、非常に難しい臨床課題である。
この不足は、新しい薬物が市場に導入されたか、臨床での使用が制限されたために生じる可能性がある。
この問題に対処するために,完全連結(FC)ニューラルネットワークとグラフニューラルネットワーク(GNN)の機能を組み合わせた,新しいジョイントフュージョンモデルを導入する。
FCネットワークは、最新の遺伝子型抵抗試験で同定されたウイルス変異からなる特徴ベクターと、治療に用いられる薬物を用いた表型データを使用する。
逆に、gnnは、ウイルスの遺伝配列に基づいて生体内治療の有効性を推定するためのベンチマーク基準となるスタンフォードの薬剤耐性変異テーブルから得られた知識を活用して、有益なグラフを構築する。
テストセットにおけるアウト・オブ・ディストリビューション・ドラッグに対するこれらのモデルの堅牢性を評価するとともに,そのようなシナリオを扱う上でのGNNの役割に着目した。
包括的分析により,提案モデルがFCモデル,特にアウト・オブ・ディストリビューション・ドラッグにおいて一貫した性能を示した。
これらの結果は、スタンフォードのスコアをモデルに統合し、その一般化性と堅牢性を高めるという利点を強調すると同時に、データ可用性の制限された現実世界のアプリケーションでもその有用性を拡張する。
本研究は,抗レトロウイルス療法の予後予測と,よりインフォームドな臨床判断に寄与するアプローチの可能性を強調した。
関連論文リスト
- drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。
drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。
本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
論文 参考訳（メタデータ） (2024-05-14T22:16:52Z) - Enhancing Acute Kidney Injury Prediction through Integration of Drug
Features in Intensive Care Units [0.0]
急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。
そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
論文 参考訳（メタデータ） (2024-01-09T05:42:32Z) - Multiscale Topology in Interactomic Network: From Transcriptome to
Antiaddiction Drug Repurposing [0.3683202928838613]
米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。
本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
論文 参考訳（メタデータ） (2023-12-03T04:01:38Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - 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) - Prediction of drug effectiveness in rheumatoid arthritis patients based
on machine learning algorithms [2.5759046095742453]
慢性関節リウマチ(RA)は、患者の免疫系が誤って自身の組織を標的としたときに引き起こされる自己免疫疾患である。
機械学習(ML)は、患者の電子的健康記録のパターンを特定し、患者の結果を改善する最良の臨床治療を予測する可能性がある。
本研究は, 臨床データから情報を取り出すためのデータ処理パイプラインを設計し, 機能的使用のために前処理し, 2) 薬物に対するRA患者の反応を予測し, 分類モデルの性能を評価するためのTNFフレームワークを導入した。
論文 参考訳（メタデータ） (2022-10-14T15:15:37Z) - Generating Synthetic Clinical Data that Capture Class Imbalanced
Distributions with Generative Adversarial Networks: Example using
Antiretroviral Therapy for HIV [2.140861702387444]
従来のGANセットアップを外部メモリで拡張し、実際のサンプルから機能を再生します。
より重要なことは, 実際の臨床データに共通する厳密なクラス不均衡分布の把握に有効であることを示す。
論文 参考訳（メタデータ） (2022-08-18T06:19:46Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - 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)
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。