論文の概要: Domain-Adversarial Neural Network and Explainable AI for Reducing Tissue-of-Origin Signal in Pan-cancer Mortality Classification

• arxiv url: http://arxiv.org/abs/2504.10343v1
• Date: Mon, 14 Apr 2025 15:51:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:49:09.496333
• Title: Domain-Adversarial Neural Network and Explainable AI for Reducing Tissue-of-Origin Signal in Pan-cancer Mortality Classification
• Title（参考訳）: 膵癌死亡率分類におけるOrigin信号の減少のためのドメイン逆ニューラルネットワークと説明可能なAI
• Authors: Cristian Padron-Manrique, Juan José Oropeza Valdez, Osbaldo Resendis-Antonio,
• Abstract要約: そこで本研究では,TGA RNA-seqデータに基づくDANN(Domain-Adversarial Neural Network)を提案する。 標準SHAPは、その計算に固有のバイアスのため、組織信号によって構成されている。 層状SHAP多様体は、組織および死亡信号の低次元表現を改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Tissue-of-origin signals dominate pan-cancer gene expression, often obscuring molecular features linked to patient survival. This hampers the discovery of generalizable biomarkers, as models tend to overfit tissue-specific patterns rather than capture survival-relevant signals. To address this, we propose a Domain-Adversarial Neural Network (DANN) trained on TCGA RNA-seq data to learn representations less biased by tissue and more focused on survival. Identifying tissue-independent genetic profiles is key to revealing core cancer programs. We assess the DANN using: (1) Standard SHAP, based on the original input space and DANN's mortality classifier; (2) A layer-aware strategy applied to hidden activations, including an unsupervised manifold from raw activations and a supervised manifold from mortality-specific SHAP values. Standard SHAP remains confounded by tissue signals due to biases inherent in its computation. The raw activation manifold was dominated by high-magnitude activations, which masked subtle tissue and mortality-related signals. In contrast, the layer-aware SHAP manifold offers improved low-dimensional representations of both tissue and mortality signals, independent of activation strength, enabling subpopulation stratification and pan-cancer identification of survival-associated genes.
• Abstract（参考訳）: 組織・オブ・オリジンシグナルはパン・カンサー遺伝子の発現を支配し、しばしば患者生存に関連する分子的特徴を隠蔽する。 このことは、モデルが生存関連信号をキャプチャするよりも、組織固有のパターンを過度に適合させる傾向があるため、一般化可能なバイオマーカーの発見を妨げている。 そこで本研究では,TGA RNA-seqデータに基づくDANN(Domain-Adversarial Neural Network)を提案する。 組織非依存型遺伝子プロファイルの同定は、コアがんプログラムを明らかにする鍵となる。 1) 原入力空間とDANNの死亡分類器に基づく標準SHAP, (2) 生アクティベーションからの教師なし多様体, 死亡特異的SHAP値からの教師付き多様体を含む隠れアクティベーションに適用した層認識戦略を用いて, DANNの評価を行う。 標準SHAPは、その計算に固有のバイアスのため、組織信号によって構成されている。 生の活性化多様体は、微妙な組織や死亡関連シグナルを隠蔽する高次活性化が支配的であった。 これとは対照的に、SHAP多様体は、活性化強度によらず、組織および死亡信号の低次元的表現を改良し、サブポピュレーション層化と生存関連遺伝子のパン・カンサー同定を可能にする。

関連論文リスト

• MEATRD: Multimodal Anomalous Tissue Region Detection Enhanced with Spatial Transcriptomics [11.792057304685692]
  組織像とSTデータを統合する新しいATR検出法MEATRDを提案する。 MEATRDは、マルチモーダル埋め込みから正常組織スポットの画像パッチと遺伝子発現プロファイルを再構築するよう訓練されている。 8つの実STデータセットの大規模な評価は、ATR検出におけるMEATRDの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-12-14T03:09:04Z)
• Multi-stages attention Breast cancer classification based on nonlinear spiking neural P neurons with autapses [10.16176106140093]
  ディープネットワークにおけるダウンサンプリングは、情報の損失につながる可能性がある。 本稿では,アプタプを用いたNSNPニューロンに基づく多段階アテンションアーキテクチャを提案する。 全ての倍率ケースにおいて96.32%の分類精度を達成し、最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-12-20T06:52:38Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• 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)
• Deep Neural Networks integrating genomics and histopathological images for predicting stages and survival time-to-event in colon cancer [2.338833859812519]
  大腸癌ステージ分類のためのアンサンブルディープニューラルネットワークを構築し,低リスク生存群と高リスク生存群に分類した。 Ensemble Deep Conal Neural Networkモデルの結果は、統合データセットのステージ分類におけるパフォーマンスが改善されたことを示している。 2548個の融合した特徴のうち、1695個の特徴は抽出された特徴によって定義された2つのリスク群間で統計的に有意な生存確率差を示した。
  論文  参考訳（メタデータ） (2022-12-13T16:12:45Z)
• Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
  グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。 まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。 マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
  論文  参考訳（メタデータ） (2022-04-21T08:23:44Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Morphological feature visualization of Alzheimer's disease via Multidirectional Perception GAN [40.50404819220093]
  アルツハイマー病(AD)の重症度を示す形態的特徴を可視化するために, 新規な多方向知覚生成適応ネットワーク(MP-GAN)を提案する。 MP-GANは既存の手法に比べて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-11-25T03:24:52Z)
• 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)
• A Cross-Level Information Transmission Network for Predicting Phenotype from New Genotype: Application to Cancer Precision Medicine [37.442717660492384]
  本稿では,CLEIT(Cross-Level Information Transmission Network)フレームワークを提案する。 ドメイン適応にインスパイアされたCLEITは、まずハイレベルドメインの潜在表現を学び、その後、接地木埋め込みとして利用する。 体細胞突然変異による抗がん剤感受性の予測におけるCLEITの有効性と性能の向上を示す。
  論文  参考訳（メタデータ） (2020-10-09T22:01:00Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。