Fugu-MT 論文翻訳(概要): Meta-Learning on Augmented Gene Expression Profiles for Enhanced Lung Cancer Detection

論文の概要: Meta-Learning on Augmented Gene Expression Profiles for Enhanced Lung Cancer Detection

arxiv url: http://arxiv.org/abs/2408.09635v1
Date: Mon, 19 Aug 2024 01:39:12 GMT
ステータス: 処理完了
システム内更新日: 2024-08-20 17:53:49.685033
Title: Meta-Learning on Augmented Gene Expression Profiles for Enhanced Lung Cancer Detection
Title（参考訳）: 肺癌検診における遺伝子発現プロファイルのメタラーニング
Authors: Arya Hadizadeh Moghaddam, Mohsen Nayebi Kerdabadi, Cuncong Zhong, Zijun Yao,
Abstract要約: 本稿では,遺伝子発現プロファイルから肺がんを予測するためのメタラーニングに基づくアプローチを提案する。メタ学習タスクには4つの異なるデータセットを使用します。その結果、単一のデータセットでトレーニングされたベースラインと比較して、強化されたソースデータに対するメタラーニングの優れた性能を示した。
参考スコア（独自算出の注目度）: 3.7929238927240685
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Gene expression profiles obtained through DNA microarray have proven successful in providing critical information for cancer detection classifiers. However, the limited number of samples in these datasets poses a challenge to employ complex methodologies such as deep neural networks for sophisticated analysis. To address this "small data" dilemma, Meta-Learning has been introduced as a solution to enhance the optimization of machine learning models by utilizing similar datasets, thereby facilitating a quicker adaptation to target datasets without the requirement of sufficient samples. In this study, we present a meta-learning-based approach for predicting lung cancer from gene expression profiles. We apply this framework to well-established deep learning methodologies and employ four distinct datasets for the meta-learning tasks, where one as the target dataset and the rest as source datasets. Our approach is evaluated against both traditional and deep learning methodologies, and the results show the superior performance of meta-learning on augmented source data compared to the baselines trained on single datasets. Moreover, we conduct the comparative analysis between meta-learning and transfer learning methodologies to highlight the efficiency of the proposed approach in addressing the challenges associated with limited sample sizes. Finally, we incorporate the explainability study to illustrate the distinctiveness of decisions made by meta-learning.
Abstract（参考訳）: DNAマイクロアレイで得られた遺伝子発現プロファイルは、がん検出分類器に重要な情報を提供するのに成功している。しかし、これらのデータセットの限られた数のサンプルは、高度な分析のためにディープニューラルネットワークのような複雑な方法論を採用することを困難にしている。この"小さなデータ"ジレンマに対処するため、Meta-Learningは、類似したデータセットを利用することで、機械学習モデルの最適化を強化するソリューションとして導入され、十分なサンプルを必要とせずに、ターゲットデータセットへの迅速な適応が容易になった。本研究では,遺伝子プロファイルから肺がんを予測するメタラーニングに基づくアプローチを提案する。このフレームワークを確立されたディープラーニング手法に適用し、メタ学習タスクに4つの異なるデータセットを使用します。提案手法は,従来の学習手法と深層学習法の両方に対して評価され,その結果,単一のデータセットでトレーニングしたベースラインと比較して,拡張ソースデータ上でのメタラーニングの優れた性能を示した。さらに,メタラーニング手法とトランスファーラーニング手法の比較分析を行い,限られたサンプルサイズにかかわる課題に対処する上で,提案手法の効率性を強調した。最後に,メタラーニングによる決定の特異性を説明するために,説明可能性研究を取り入れた。

関連論文リスト

Enhancing Few-Shot Learning with Integrated Data and GAN Model Approaches [35.431340001608476]
本稿では,データ拡張とモデルファインチューニングを融合することで,少数ショット学習を向上するための革新的なアプローチを提案する。薬物発見、ターゲット認識、悪意のあるトラフィック検出などの分野で、小さなサンプルデータによって引き起こされる課題に対処することを目的としている。その結果,本研究で開発されたMhERGANアルゴリズムは,数発の学習に極めて有効であることが確認された。
論文参考訳（メタデータ） (2024-11-25T16:51:11Z)
A Comprehensive Survey on Data Augmentation [55.355273602421384]
データ拡張(Data augmentation)は、既存のデータサンプルを操作することによって高品質な人工データを生成する技術である。既存の文献調査では、特定のモダリティデータにのみ焦点が当てられている。本稿では,異なる共通データモダリティのためのデータ拡張技術を含む,より啓蒙的な分類法を提案する。
論文参考訳（メタデータ） (2024-05-15T11:58:08Z)
Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
論文参考訳（メタデータ） (2023-02-01T17:32:16Z)
Graph Neural Networks for Breast Cancer Data Integration [0.0]
本稿では,ガンデータモダリティをグラフとして統合し,次にグラフニューラルネットワークを適用する3つのステップからなる新しい学習パイプラインを提案する。このプロジェクトは、がんデータ理解を改善する可能性があり、正規データセットからグラフ型データへの移行を促進する。
論文参考訳（メタデータ） (2022-11-28T17:10:19Z)
MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
論文参考訳（メタデータ） (2022-10-24T15:14:26Z)
CustOmics: A versatile deep-learning based strategy for multi-omics integration [0.0]
本稿では,高次元マルチソース統合の場合のデータセットに適応する,カスタマイズ可能なオートエンコーダモデルを構築するための新しい戦略を提案する。我々は,統合戦略が潜在表現に与える影響を評価し,新しい手法であるCustOmicsを提案する最善の戦略を組み合わせる。
論文参考訳（メタデータ） (2022-09-12T14:20:29Z)
Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文参考訳（メタデータ） (2022-02-22T02:51:11Z)
EPICURE Ensemble Pretrained Models for Extracting Cancer Mutations from Literature [12.620782629498814]
EPICUREは、条件付きランダムフィールドパターン層とスパン予測パターン層を備え、テキストからがんの突然変異を抽出するアンサンブル事前訓練モデルである。 3つのベンチマークデータセットの実験結果から,ベースラインモデルと比較して競争力のある結果が得られた。
論文参考訳（メタデータ） (2021-06-11T09:08:15Z)
Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文参考訳（メタデータ） (2021-03-01T01:43:04Z)
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。