論文の概要: Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data

• arxiv url: http://arxiv.org/abs/2402.12190v1
• Date: Mon, 19 Feb 2024 14:54:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 16:13:26.772274
• Title: Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data
• Title（参考訳）: aiに基づく精密腫瘍学に向けて : マルチオミクスデータに基づくパーソナライズされた対物的治療提案のための機械学習フレームワーク
• Authors: Manuel Sch\"urch, Laura Boos, Viola Heinzelmann-Schwarz, Gabriele Gut, Michael Krauthammer, Andreas Wicki, Tumor Profiler Consortium
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.05277756703318046
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI-driven precision oncology has the transformative potential to reshape cancer treatment by leveraging the power of AI models to analyze the interaction between complex patient characteristics and their corresponding treatment outcomes. New technological platforms have facilitated the timely acquisition of multimodal data on tumor biology at an unprecedented resolution, such as single-cell multi-omics data, making this quality and quantity of data available for data-driven improved clinical decision-making. In this work, we propose a modular machine learning framework designed for personalized counterfactual cancer treatment suggestions based on an ensemble of machine learning experts trained on diverse multi-omics technologies. These specialized counterfactual experts per technology are consistently aggregated into a more powerful expert with superior performance and can provide both confidence and an explanation of its decision. The framework is tailored to address critical challenges inherent in data-driven cancer research, including the high-dimensional nature of the data, and the presence of treatment assignment bias in the retrospective observational data. The framework is showcased through comprehensive demonstrations using data from in-vitro and in-vivo treatment responses from a cohort of patients with ovarian cancer. Our method aims to empower clinicians with a reality-centric decision-support tool including probabilistic treatment suggestions with calibrated confidence and personalized explanations for tailoring treatment strategies to multi-omics characteristics of individual cancer patients.
• Abstract（参考訳）: AI駆動の精度オンコロジーは、複雑な患者の特徴とそれに対応する治療結果の間の相互作用を分析するために、AIモデルのパワーを活用することによって、がん治療を再形成するトランスフォーメーション能力を持つ。 新しい技術プラットフォームは、単細胞マルチオミクスデータのような前例のない解像度で腫瘍生物学のマルチモーダルデータのタイムリーな取得を促進し、この品質とデータをデータ駆動による臨床診断の改善に利用できるようにする。 本稿では,多様なマルチオミクス技術を用いて訓練された機械学習専門家のアンサンブルに基づいて,癌治療をパーソナライズする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。 これらの特殊対物的専門家は、常に優れたパフォーマンスを持つより強力な専門家に集約され、その決定に対する自信と説明を提供することができる。 このフレームワークは、データの高次元的性質や、振り返り観察データにおける治療課題バイアスの存在など、データ駆動型がん研究に内在する重要な課題に対処するために調整されている。 このフレームワークは、卵巣がん患者のコホートからのin-vitroおよびin-vivo治療反応のデータを用いて、包括的なデモンストレーションを通じて展示される。 本手法は, がん患者のマルチオミクス特性に対する治療戦略を調整するための, 信頼性を調整した確率的治療提案, パーソナライズされた説明を含む, 現実的な意思決定支援ツールを臨床医に提供することを目的とする。

関連論文リスト

• Learning Personalized Treatment Decisions in Precision Medicine: Disentangling Treatment Assignment Bias in Counterfactual Outcome Prediction and Biomarker Identification [0.05277756703318046]
  精密医療は、機械学習(ML)と人工知能(AI)を用いて、個々の患者に対して治療決定を調整できる可能性がある 臨床観察データの複雑なバイアスと、生物学的データの高次元的な性質により、大きな課題に直面している。 本研究は,相互情報を用いた多種多様な治療課題バイアスをモデル化し,それらのMLモデルへの影響について検討する。
  論文  参考訳（メタデータ） (2024-10-01T08:47:29Z)
• Patient-centered data science: an integrative framework for evaluating and predicting clinical outcomes in the digital health era [0.0]
  本研究では,デジタルヘルス時代の患者中心型データサイエンスのための新たな統合的枠組みを提案する。 従来の臨床データと患者の報告した結果、健康の社会的決定要因、および多次元データを組み合わせて総合的なデジタル患者表現を作成する多次元モデルを開発した。
  論文  参考訳（メタデータ） (2024-07-31T02:36:17Z)
• Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis: A review [2.2268038840298714]
  バイオメディカルな知識とデータの融合を取り入れた最先端の機械学習研究について概説する。 機械学習パイプラインにおける知識表現の多様な形態と知識統合の現在の戦略について概説する。
  論文  参考訳（メタデータ） (2024-01-12T07:01:36Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• Building Flexible, Scalable, and Machine Learning-ready Multimodal Oncology Datasets [17.774341783844026]
  本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。 MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。 MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
  論文  参考訳（メタデータ） (2023-09-30T15:44:39Z)
• Patient-specific, mechanistic models of tumor growth incorporating artificial intelligence and big data [2.6144463801364375]
  悪性腫瘍は依然として主要な公衆衛生上の問題である。 パーソナライズされた治療の設計には、患者固有の情報を適切な数学的モデルに統合する必要がある。 現在、腫瘍の発生、発生、侵入、治療に対する反応に関する厳密で実用的な数学的理論が欠如している。
  論文  参考訳（メタデータ） (2023-08-28T22:52:17Z)
• 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)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• 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。