Fugu-MT 論文翻訳(概要): Prompting Whole Slide Image Based Genetic Biomarker Prediction

論文の概要: Prompting Whole Slide Image Based Genetic Biomarker Prediction

arxiv url: http://arxiv.org/abs/2407.09540v1
Date: Wed, 26 Jun 2024 11:05:46 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 13:18:53.333112
Title: Prompting Whole Slide Image Based Genetic Biomarker Prediction
Title（参考訳）: 遺伝的バイオマーカー予測による全スライド画像のプロンプティング
Authors: Ling Zhang, Boxiang Yun, Xingran Xie, Qingli Li, Xinxing Li, Yan Wang,
Abstract要約: 本稿では,全スライド画像(WSI)に基づく遺伝的バイオマーカー予測手法を提案する。我々は、大きな言語モデルを利用して、遺伝バイオマーカーに関連する事例を抽出する際、先行知識となる医学的プロンプトを生成する。腫瘍微小環境におけるバイオマーカー情報のマイニングには粗大なアプローチを採用する。
参考スコア（独自算出の注目度）: 13.764676578911526
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Prediction of genetic biomarkers, e.g., microsatellite instability and BRAF in colorectal cancer is crucial for clinical decision making. In this paper, we propose a whole slide image (WSI) based genetic biomarker prediction method via prompting techniques. Our work aims at addressing the following challenges: (1) extracting foreground instances related to genetic biomarkers from gigapixel WSIs, and (2) the interaction among the fine-grained pathological components in WSIs.Specifically, we leverage large language models to generate medical prompts that serve as prior knowledge in extracting instances associated with genetic biomarkers. We adopt a coarse-to-fine approach to mine biomarker information within the tumor microenvironment. This involves extracting instances related to genetic biomarkers using coarse medical prior knowledge, grouping pathology instances into fine-grained pathological components and mining their interactions. Experimental results on two colorectal cancer datasets show the superiority of our method, achieving 91.49% in AUC for MSI classification. The analysis further shows the clinical interpretability of our method. Code is publicly available at https://github.com/DeepMed-Lab-ECNU/PromptBio.
Abstract（参考訳）: 大腸癌における遺伝子バイオマーカー,例えばマイクロサテライト不安定性,BRAFの予測は臨床診断に不可欠である。本稿では,全スライド画像(WSI)に基づく遺伝的バイオマーカー予測手法を提案する。本研究の目的は,(1)ギガピクセルWSIから遺伝バイオマーカーに関連する前景のインスタンスを抽出し,(2)WSIにおける微細な病理成分間の相互作用を抽出することである。腫瘍微小環境におけるバイオマーカー情報のマイニングには粗大なアプローチを採用する。これには、粗い医学的事前知識を使用して遺伝バイオマーカーに関連するインスタンスを抽出し、病理学のインスタンスを微細な病理学的構成要素に分類し、それらの相互作用をマイニングする。 MSI分類ではAUCが91.49%であった。さらに,本手法の臨床的解釈可能性について検討した。コードはhttps://github.com/DeepMed-Lab-ECNU/PromptBioで公開されている。

関連論文リスト

A Bioinformatic Approach Validated Utilizing Machine Learning Algorithms to Identify Relevant Biomarkers and Crucial Pathways in Gallbladder Cancer [2.3087284629747766]
胆嚢癌(GBC)は胆道系腫瘍の中で最も多い疾患である。 GBCにおけるバイオマーカーの役割について最近の研究はほとんどない。バイオマーカーの同定には機械学習(ML)とバイオインフォマティクス(バイオインフォマティクス)を用いた。
論文参考訳（メタデータ） (2024-10-18T12:51:19Z)
Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
論文参考訳（メタデータ） (2024-06-05T06:42:27Z)
Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文参考訳（メタデータ） (2023-09-26T03:59:21Z)
Applying BioBERT to Extract Germline Gene-Disease Associations for Building a Knowledge Graph from the Biomedical Literature [0.0]
本稿では,ジェムリン遺伝子と疾患を結合する知識グラフ構築手法SimpleGermKGを提案する。遺伝子および疾患の抽出には、バイオメディカルコーパス上でトレーニング済みのBERTモデルであるBioBERTを用いる。記事,遺伝子,疾患間の意味的関連性について,部分的関係性アプローチを実装した。知識グラフには297の遺伝子、130の疾患、46,747のトリプルが含まれている。
論文参考訳（メタデータ） (2023-09-11T18:05:12Z)
Studying Limits of Explainability by Integrated Gradients for Gene Expression Models [3.220287168504093]
重要度によるランク付け機能は,バイオマーカーの同定に十分ではないことを示す。バイオマーカーが真理を知らないままに関係する原因を反映しているかどうかを評価することは難しいため、階層的モデルを提案することで遺伝子発現データをシミュレートする。
論文参考訳（メタデータ） (2023-03-19T19:54:15Z)
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)
BioGPT: Generative Pre-trained Transformer for Biomedical Text Generation and Mining [140.61707108174247]
本稿では,大規模生物医学文献に基づいて事前学習したドメイン固有生成型トランスフォーマー言語モデルであるBioGPTを提案する。 BC5CDRでは44.98%、38.42%、40.76%のF1スコア、KD-DTIとDDIの関係抽出タスクでは78.2%、PubMedQAでは78.2%の精度が得られた。
論文参考訳（メタデータ） (2022-10-19T07:17:39Z)
Biomarker Gene Identification for Breast Cancer Classification [2.403531305046943]
本研究は,バイオマーカーの同定にサブタイプ分類に用いるディープニューラルネットワークによる解釈予測を用いた。提案したアルゴリズムは、43個の差分表現された遺伝子シグネチャの発見に繋がった。
論文参考訳（メタデータ） (2021-11-10T06:38:50Z)
Exploring Genetic-histologic Relationships in Breast Cancer [28.91314299138311]
この研究は、深層学習を用いて乳癌の病理組織像からゲノムバイオマーカーを予測する。全タスクで0.02の最小改善と最大0.13のAUROCスコアで既存の作業より優れています。
論文参考訳（メタデータ） (2021-03-15T00:53:47Z)
Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文参考訳（メタデータ） (2021-02-11T09:04:45Z)
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)

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。