論文の概要: Identification of Prognostic Biomarkers for Stage III Non-Small Cell Lung Carcinoma in Female Nonsmokers Using Machine Learning

• arxiv url: http://arxiv.org/abs/2408.16068v2
• Date: Fri, 30 Aug 2024 03:38:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-02 10:49:44.051835
• Title: Identification of Prognostic Biomarkers for Stage III Non-Small Cell Lung Carcinoma in Female Nonsmokers Using Machine Learning
• Title（参考訳）: 機械学習を用いた女性非喫煙者におけるステージIII非小細胞肺癌の予後マーカーの同定
• Authors: Huili Zheng, Qimin Zhang, Yiru Gong, Zheyan Liu, Shaohan Chen,
• Abstract要約: 肺がんは、世界中でがん関連の死亡の原因となっている。 本研究は,非喫煙女性におけるNSCLC関連重要なバイオマーカーを遺伝子発現プロファイリングを用いて同定することを目的とした。
• 参考スコア（独自算出の注目度）: 0.815557531820863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lung cancer remains a leading cause of cancer-related deaths globally, with non-small cell lung cancer (NSCLC) being the most common subtype. This study aimed to identify key biomarkers associated with stage III NSCLC in non-smoking females using gene expression profiling from the GDS3837 dataset. Utilizing XGBoost, a machine learning algorithm, the analysis achieved a strong predictive performance with an AUC score of 0.835. The top biomarkers identified - CCAAT enhancer binding protein alpha (C/EBP-alpha), lactate dehydrogenase A4 (LDHA), UNC-45 myosin chaperone B (UNC-45B), checkpoint kinase 1 (CHK1), and hypoxia-inducible factor 1 subunit alpha (HIF-1-alpha) - have been validated in the literature as being significantly linked to lung cancer. These findings highlight the potential of these biomarkers for early diagnosis and personalized therapy, emphasizing the value of integrating machine learning with molecular profiling in cancer research.
• Abstract（参考訳）: 非小細胞肺癌(NSCLC)は最も一般的な亜型である。 本研究は, GDS3837データセットからの遺伝子発現プロファイリングを用いて, 喫煙女性におけるステージIII NSCLCに関連する重要なバイオマーカーを同定することを目的とした。 機械学習アルゴリズムであるXGBoostを用いて、AUCスコア0.835で強力な予測性能を達成した。 CCAATエンハンサー結合タンパク質α(C/EBP-alpha)、乳酸脱水素酵素A4(LDHA)、UNC-45ミオシンシャペロンB(UNC-45B)、チェックポイントキナーゼ1(CHK1)、低酸素誘導因子1サブユニットα(HIF-1-alpha)が肺がんと深く関連していることが文献で確認されている。 これらの知見は、早期診断とパーソナライズされた治療のためのバイオマーカーの可能性を強調し、がん研究における機械学習と分子プロファイリングを統合することの価値を強調した。

関連論文リスト

• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• Screen Them All: High-Throughput Pan-Cancer Genetic and Phenotypic Biomarker Screening from H&E Whole Slide Images [3.119559770601732]
  通常のH&EスライドでのAIの使用は、複数の分子バイオマーカーのスクリーニングに迅速かつ経済的アプローチを提供する。 我々は,300万スライドで事前学習した基礎モデルであるVirchow2を利用した高スループットAIベースシステムを提案する。 バイオマーカーや癌の種類ごとに個別のモデルを訓練する従来の手法とは異なり、我々のシステムは、幅広い臨床関連分子バイオマーカーを同時に予測するために統一されたモデルを採用している。
  論文  参考訳（メタデータ） (2024-08-18T17:44:00Z)
• Biomarker based Cancer Classification using an Ensemble with Pre-trained Models [2.2436844508175224]
  マルチクラス分類タスクに対して,事前学習したハイパーファストモデル,XGBoost,LightGBMを組み合わせた新しいアンサンブルモデルを提案する。 我々はメタトレーニングしたハイパーファストモデルを用いてがんの分類を行い、AUCは0.9929である。 また,事前学習したハイパーファストモデル,XGBoost,LightGBMを多クラス分類タスクに組み合わせた新しいアンサンブルモデルを提案し,精度を漸進的に向上させる(0.9464)。
  論文  参考訳（メタデータ） (2024-06-14T14:43:59Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Dual-path convolutional neural network using micro-FTIR imaging to predict breast cancer subtypes and biomarkers levels: estrogen receptor, progesterone receptor, HER2 and Ki67 [0.0]
  新しい畳み込みニューラルネットワークであるCaReNet-V2は、乳がんと隣接する組織を分類し、バイオマーカーのレベルを予測するために開発された。 このモデルにより, ER, PR, HER2レベルの予測が可能となった。
  論文  参考訳（メタデータ） (2023-10-23T17:05:53Z)
• One-dimensional convolutional neural network model for breast cancer subtypes classification and biochemical content evaluation using micro-FTIR hyperspectral images [0.0]
  本研究は乳がんの亜型評価と生化学的貢献のための1次元深層学習ツールを開発した。 新しい1D畳み込みニューラルネットワークCaReNet-V1は乳癌(CA)と隣接組織(AT)を分類するために開発された Grad-CAMの1次元適応を応用し, 生体化学的影響について検討した。
  論文  参考訳（メタデータ） (2023-10-23T16:58:34Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• Regression-based Deep-Learning predicts molecular biomarkers from pathology slides [40.24757332810004]
  我々は,画像から直接バイオマーカーを予測する自己監督型弱教師付き回帰手法を開発し,評価した。 回帰を用いて、バイオマーカー予測の精度を著しく向上させ、また、分類よりも結果の解釈可能性を向上させる。 我々のオープンソースレグレッションアプローチは、計算病理学における連続バイオマーカー解析に有望な代替手段を提供する。
  論文  参考訳（メタデータ） (2023-04-11T11:43:51Z)
• 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)
• 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)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)

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。