論文の概要: Evaluating Deep Regression Models for WSI-Based Gene-Expression Prediction

• arxiv url: http://arxiv.org/abs/2410.00945v1
• Date: Tue, 1 Oct 2024 16:00:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-05 00:09:47.534213
• Title: Evaluating Deep Regression Models for WSI-Based Gene-Expression Prediction
• Title（参考訳）: WSIに基づく遺伝子発現予測のための深部回帰モデルの評価
• Authors: Fredrik K. Gustafsson, Mattias Rantalainen,
• Abstract要約: 通常の全スライディング画像から直接mRNA遺伝子の発現プロファイルを予測することは、コスト効率が高く、広くアクセス可能な分子表現型を提供する可能性がある。 本研究は、WSIに基づく遺伝子発現予測のために、どのように深部回帰モデルをトレーニングすべきかを推奨する。
• 参考スコア（独自算出の注目度）: 3.2995359570845912
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction of mRNA gene-expression profiles directly from routine whole-slide images (WSIs) using deep learning models could potentially offer cost-effective and widely accessible molecular phenotyping. While such WSI-based gene-expression prediction models have recently emerged within computational pathology, the high-dimensional nature of the corresponding regression problem offers numerous design choices which remain to be analyzed in detail. This study provides recommendations on how deep regression models should be trained for WSI-based gene-expression prediction. For example, we conclude that training a single model to simultaneously regress all 20530 genes is a computationally efficient yet very strong baseline.
• Abstract（参考訳）: ディープラーニングモデルを用いた定期的な全スライド画像(WSI)から直接mRNA遺伝子の発現プロファイルの予測は、コスト効率が高く、広くアクセス可能な分子表現型を提供する可能性がある。 このようなWSIに基づく遺伝子発現予測モデルが最近, 計算病理学に登場したが, 対応する回帰問題の高次元性は, 詳細な解析を行うための多くの設計選択をもたらす。 本研究は、WSIに基づく遺伝子発現予測のために、どのように深部回帰モデルをトレーニングすべきかを推奨する。 例えば、単一のモデルをトレーニングして全ての20530遺伝子を同時に回帰させることは、計算効率が良いが非常に強いベースラインである、と結論付けている。

関連論文リスト

• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
  VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。 ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
  論文  参考訳（メタデータ） (2024-05-13T20:15:03Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。 本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Genomic Interpreter: A Hierarchical Genomic Deep Neural Network with 1D Shifted Window Transformer [4.059849656394191]
  Genomic Interpreterはゲノムアッセイ予測のための新しいアーキテクチャである。 モデルはゲノムサイトの階層的依存関係を識別できる。 17K対の38,171のDNAセグメントを含むデータセットで評価される。
  論文  参考訳（メタデータ） (2023-06-08T12:10:13Z)
• ResMem: Learn what you can and memorize the rest [79.19649788662511]
  本稿では,既存の予測モデルを拡張するための残差記憶アルゴリズム(ResMem)を提案する。 構築によって、ResMemはトレーニングラベルを明示的に記憶することができる。 ResMemは、元の予測モデルのテストセットの一般化を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2023-02-03T07:12:55Z)
• Neural network facilitated ab initio derivation of linear formula: A case study on formulating the relationship between DNA motifs and gene expression [8.794181445664243]
  本稿では、解釈可能なニューラルネットワークモデルに基づく新しいアプローチを用いて、シーケンスモチーフと線形式を導出するためのフレームワークを提案する。 この線形モデルは、深いニューラルネットワークモデルに匹敵する性能を持つプロモーター配列を用いて遺伝子発現レベルを予測することができることを示した。
  論文  参考訳（メタデータ） (2022-08-19T22:29:30Z)
• Topological structure of complex predictions [15.207535648404765]
  ディープラーニングのような複雑な予測モデルは、機械学習、ニューラルネットワーク、AIモデルから一連のトレーニングデータに適合する出力である。 我々は、トポロジカル・データ分析を用いて、これらの複雑な予測モデルをトポロジカル・ビューを表す画像に変換する。 本手法は、異なる領域にわたる大規模なデータセットにスケールアップし、トレーニングデータのラベル付けエラーを検出し、画像分類の一般化を理解し、BRCA1遺伝子の病原性変異の予測を検査する。
  論文  参考訳（メタデータ） (2022-07-28T19:28:05Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Gaussian Process Regression with Local Explanation [28.90948136731314]
  本稿では,各サンプルの予測に寄与する特徴を明らかにするため,局所的な説明を伴うGPRを提案する。 提案モデルでは,各サンプルの予測と説明を,容易に解釈可能な局所線形モデルを用いて行う。 新しい試験サンプルでは, 対象変数と重みベクトルの値と不確かさを予測できる。
  論文  参考訳（メタデータ） (2020-07-03T13:22:24Z)

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。