論文の概要: Personalised Drug Identifier for Cancer Treatment with Transformers
using Auxiliary Information
- arxiv url: http://arxiv.org/abs/2402.10551v1
- Date: Fri, 16 Feb 2024 10:29:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 16:52:04.807939
- Title: Personalised Drug Identifier for Cancer Treatment with Transformers
using Auxiliary Information
- Title(参考訳): 補助情報を用いたトランスフォーマーを用いた癌治療のための個人化薬剤同定
- Authors: Aishwarya Jayagopal, Hansheng Xue, Ziyang He, Robert J. Walsh, Krishna
Kumar Hariprasannan, David Shao Peng Tan, Tuan Zea Tan, Jason J. Pitt, Anand
D. Jeyasekharan, Vaibhav Rajan
- Abstract要約: がんは、臨床と経済の負担が増大しているため、依然としてグローバルな課題である。
ゲノムプロファイリングは 臨床診断パネルの一部になりつつある
このようなパネルを効果的に活用するには、厳密な薬物反応予測(英語版)モデルが必要である。
現在シンガポールの国立大学病院で実施されており,臨床試験で評価されている治療推薦システム(TRS)の設計について紹介する。
- 参考スコア(独自算出の注目度): 5.2992434144875515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cancer remains a global challenge due to its growing clinical and economic
burden. Its uniquely personal manifestation, which makes treatment difficult,
has fuelled the quest for personalized treatment strategies. Thus, genomic
profiling is increasingly becoming part of clinical diagnostic panels.
Effective use of such panels requires accurate drug response prediction (DRP)
models, which are challenging to build due to limited labelled patient data.
Previous methods to address this problem have used various forms of transfer
learning. However, they do not explicitly model the variable length sequential
structure of the list of mutations in such diagnostic panels. Further, they do
not utilize auxiliary information (like patient survival) for model training.
We address these limitations through a novel transformer based method, which
surpasses the performance of state-of-the-art DRP models on benchmark data. We
also present the design of a treatment recommendation system (TRS), which is
currently deployed at the National University Hospital, Singapore and is being
evaluated in a clinical trial.
- Abstract(参考訳): がんは臨床と経済の負担が増大しているため、依然として世界的な課題である。
治療を困難にする独自の個人的マニフェストは、パーソナライズされた治療戦略の探求を加速させた。
このように、ゲノムプロファイリングは臨床診断パネルの一部になりつつある。
このようなパネルを効果的に活用するには正確な薬物反応予測(DRP)モデルが必要である。
この問題に対処する従来の方法は、様々な形態の移動学習を用いてきた。
しかし、これらの診断パネルの変異のリストの可変長シーケンシャル構造を明示的にモデル化していない。
さらに、モデルトレーニングには補助情報(患者の生存など)を使用しない。
ベンチマークデータ上での最先端DRPモデルの性能を超越した,トランスフォーマーに基づく新しい手法により,これらの制限に対処する。
また,現在シンガポールの国立大学病院に展開されている治療推奨システム(trs)の設計について,臨床試験で評価している。
関連論文リスト
- Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data [0.05025737475817938]
本稿では,個別のがん治療提案のためのモジュール型機械学習フレームワークを提案する。
このフレームワークは、データ駆動がん研究に固有の重要な課題に対処するように調整されている。
本手法は,臨床医に現実的な意思決定支援ツールを提供することを目的としている。
論文 参考訳(メタデータ) (2024-02-19T14:54:20Z) - CARE: A Large Scale CT Image Dataset and Clinical Applicable Benchmark
Model for Rectal Cancer Segmentation [8.728236864462302]
CT画像の直腸癌セグメンテーションは、タイムリーな臨床診断、放射線治療、経過観察において重要な役割を担っている。
これらの障害は直腸の複雑な解剖学的構造と直腸癌の鑑別診断の困難から生じる。
これらの課題に対処するため,本研究では,正常直腸と癌直腸の両方にピクセルレベルのアノテーションを付加した,新しい大規模直腸癌CT画像データセットCAREを導入する。
また,U-SAMと命名された新しい癌病変セグメンテーションベンチマークモデルを提案する。
このモデルは、迅速な情報を取り入れることで、腹部器官の複雑な解剖学的構造によって引き起こされる課題に対処するように設計されている。
論文 参考訳(メタデータ) (2023-08-16T10:51:27Z) - A Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳(メタデータ) (2023-06-01T16:23:47Z) - ExBEHRT: Extended Transformer for Electronic Health Records to Predict
Disease Subtypes & Progressions [0.0]
BEHRT(BERT)の拡張版であるExBEHRTを紹介する。
特徴空間は, 人口統計, 臨床的特徴, バイタルサイン, 喫煙状況, 診断, 処置, 薬品, 実験室検査など, 複数のマルチモーダル記録に拡張する。
異なる疾患における下流タスクのモデル性能は,追加機能により有意に向上することを示した。
論文 参考訳(メタデータ) (2023-03-22T08:03:27Z) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳(メタデータ) (2022-04-07T22:14:37Z) - Dimensionality Reduction of Longitudinal 'Omics Data using Modern Tensor
Factorization [4.740719424255845]
TCAMはマルチウェイデータのための次元削減手法である。
そこで本研究では,TAMが従来の手法よりも優れていること,および長手形マイクロバイオームデータ解析における最先端のテンソルベースのアプローチについて述べる。
論文 参考訳(メタデータ) (2021-11-28T14:50:14Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Longitudinal modeling of MS patient trajectories improves predictions of
disability progression [2.117653457384462]
本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。
本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。
文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
論文 参考訳(メタデータ) (2020-11-09T20:48:00Z) - 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) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-06T13:03:42Z)
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。