論文の概要: TSEML: A task-specific embedding-based method for few-shot classification of cancer molecular subtypes

• arxiv url: http://arxiv.org/abs/2412.13228v2
• Date: Sun, 22 Dec 2024 00:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 12:13:25.312691
• Title: TSEML: A task-specific embedding-based method for few-shot classification of cancer molecular subtypes
• Title（参考訳）: TSEML: 癌分子サブタイプの少数ショット分類のためのタスク特異的埋め込みに基づく方法
• Authors: Ran Su, Rui Shi, Hui Cui, Ping Xuan, Chengyan Fang, Xikang Feng, Qiangguo Jin,
• Abstract要約: 異種および小癌のデータセットにおける数発の分子サブタイプ予測問題に焦点をあてる。 タスク固有の埋め込み型メタラーニングフレームワーク(TSEML)を導入する。 本フレームワークは,数発の分子サブタイプ分類の問題に対処する上で,優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 4.815808233338459
• License:
• Abstract: Molecular subtyping of cancer is recognized as a critical and challenging upstream task for personalized therapy. Existing deep learning methods have achieved significant performance in this domain when abundant data samples are available. However, the acquisition of densely labeled samples for cancer molecular subtypes remains a significant challenge for conventional data-intensive deep learning approaches. In this work, we focus on the few-shot molecular subtype prediction problem in heterogeneous and small cancer datasets, aiming to enhance precise diagnosis and personalized treatment. We first construct a new few-shot dataset for cancer molecular subtype classification and auxiliary cancer classification, named TCGA Few-Shot, from existing publicly available datasets. To effectively leverage the relevant knowledge from both tasks, we introduce a task-specific embedding-based meta-learning framework (TSEML). TSEML leverages the synergistic strengths of a model-agnostic meta-learning (MAML) approach and a prototypical network (ProtoNet) to capture diverse and fine-grained features. Comparative experiments conducted on the TCGA Few-Shot dataset demonstrate that our TSEML framework achieves superior performance in addressing the problem of few-shot molecular subtype classification.
• Abstract（参考訳）: がんの分子サブタイプは、パーソナライズされた治療のための重要かつ挑戦的な上流タスクとして認識されている。 既存のディープラーニング手法は、豊富なデータサンプルが利用可能である場合に、この領域で大きなパフォーマンスを達成した。 しかし、がん分子サブタイプに対する高密度ラベル付きサンプルの取得は、従来のデータ集約型ディープラーニングアプローチにとって重要な課題である。 本研究では,異種および小癌データセットにおける数発の分子サブタイプ予測問題に着目し,正確な診断とパーソナライズされた治療の精度を高めることを目的とした。 我々はまず,既存の公開データセットからTGA Few-Shotという,がん分子サブタイプ分類と補助がん分類のための新しい数ショットデータセットを構築した。 両タスクの関連知識を効果的に活用するために,タスク固有の埋め込み型メタラーニングフレームワーク(TSEML)を導入する。 TSEMLは、モデルに依存しないメタラーニング(MAML)アプローチとプロトタイプネットワーク(ProtoNet)の相乗効果を利用して、多種多様なきめ細かな特徴を捉える。 TCGA Few-Shotデータセットを用いて行った比較実験により、TSEMLフレームワークは、数発の分子サブタイプ分類の問題に対処する上で、優れた性能を発揮することが示された。

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)
• PACS: Prediction and analysis of cancer subtypes from multi-omics data based on a multi-head attention mechanism model [2.275409158519155]
  がんサブタイプの分類を成功させるために, 教師付きマルチヘッドアテンション機構モデル(SMA)を提案する。 SMAモデルのアテンション機構と特徴共有モジュールは、マルチオミクスデータのグローバルおよびローカルの特徴情報をうまく学習することができる。 SMAモデルは、シミュレーションされた単一細胞およびがんマルチオミクスデータセットにおけるがんサブタイプの最も正確なF1マクロスコープ、F1重み付きおよび正確な分類を達成する。
  論文  参考訳（メタデータ） (2023-08-21T03:54:21Z)
• DEDUCE: Multi-head attention decoupled contrastive learning to discover cancer subtypes based on multi-omics data [7.049723871585993]
  マルチオミクスのがんデータを解析するための教師なしコントラスト学習のためのモデルDDUCEを提案する。 このモデルは教師なしのSMAEを採用し、マルチオミクスデータからコンテキストの特徴や長距離依存を深く抽出することができる。 サブタイプは、マルチオミクスデータの特徴空間とサンプル空間の両方におけるサンプル間の類似性を計算することでクラスタ化される。
  論文  参考訳（メタデータ） (2023-07-09T00:53:23Z)
• Self-omics: A Self-supervised Learning Framework for Multi-omics Cancer Data [4.843654097048771]
  SSL(Self-Supervised Learning)メソッドは、通常はラベル付きデータを扱うために使用される。 我々は、SSLコンポーネントからなる新しい事前学習パラダイムを開発する。 本手法はTGAパン癌データセットの癌型分類における最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-10-03T11:20:12Z)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)
• 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)
• 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)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)
• 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)
• The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model Learning with Application to Genomic Data Integration [0.0]
  本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。 モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-08T16:34:58Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。