論文の概要: OmicsCL: Unsupervised Contrastive Learning for Cancer Subtype Discovery and Survival Stratification

• arxiv url: http://arxiv.org/abs/2505.00650v1
• Date: Thu, 01 May 2025 16:51:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.375496
• Title: OmicsCL: Unsupervised Contrastive Learning for Cancer Subtype Discovery and Survival Stratification
• Title（参考訳）: OmicsCL:癌亜型発見と生存戦略のための教師なしコントラスト学習
• Authors: Atahan Karagoz,
• Abstract要約: 異種オミクスを組み込んだモジュール型コントラスト学習フレームワークであるOmicsCLを紹介する。 BRCAAデータセットに基づいて評価されたOmicsCLは、臨床的に意味のあるクラスターを明らかにする。 その結果、高次元、異質なオミクスデータにおける生物学的洞察発見のための対照的な目標の約束が浮き彫りになった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Unsupervised learning of disease subtypes from multi-omics data presents a significant opportunity for advancing personalized medicine. We introduce OmicsCL, a modular contrastive learning framework that jointly embeds heterogeneous omics modalities-such as gene expression, DNA methylation, and miRNA expression-into a unified latent space. Our method incorporates a survival-aware contrastive loss that encourages the model to learn representations aligned with survival-related patterns, without relying on labeled outcomes. Evaluated on the TCGA BRCA dataset, OmicsCL uncovers clinically meaningful clusters and achieves strong unsupervised concordance with patient survival. The framework demonstrates robustness across hyperparameter configurations and can be tuned to prioritize either subtype coherence or survival stratification. Ablation studies confirm that integrating survival-aware loss significantly enhances the predictive power of learned embeddings. These results highlight the promise of contrastive objectives for biological insight discovery in high-dimensional, heterogeneous omics data.
• Abstract（参考訳）: マルチオミクスデータからの疾患サブタイプの教師なし学習は、パーソナライズされた医療を前進させる重要な機会となる。 OmicsCLは,遺伝子の発現,DNAメチル化,miRNA発現などの不均一なオミクスを協調的に組み込むモジュール型コントラスト学習フレームワークである。 本手法では,ラベル付き結果に頼らずに,生存関連パターンに沿った表現を学習するようモデルに促す,生存対応のコントラスト損失を組み込む。 TCGA BRCAデータセットに基づいて評価し、OmicsCLは臨床的に意味のあるクラスターを明らかにし、患者生存と強い教師なしの一致を達成する。 このフレームワークは、ハイパーパラメータ構成間の堅牢性を示し、サブタイプコヒーレンスまたはサバイバル層化を優先順位付けするように調整することができる。 アブレーション研究は、生存意識の喪失が学習した埋め込みの予測力を著しく向上させることを確認した。 これらの結果は、高次元、異質なオミクスデータにおける生物学的洞察発見のための対照的な目標の約束を浮き彫りにしている。

関連論文リスト

• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [52.106879463828044]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  本稿では,階層型アルキメデスコピュラス構造を学習する生存分析手法であるHACSurvを紹介する。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvは生存予測の精度を向上させる。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• Survival Prediction in Lung Cancer through Multi-Modal Representation Learning [9.403446155541346]
  本稿では,CTとPETの包括的情報と関連するゲノムデータを用いた生存予測手法を提案する。 我々は,マルチモーダル画像データと遺伝的情報を統合することにより,生存率の予測モデルを構築することを目的とする。
  論文  参考訳（メタデータ） (2024-09-30T10:42:20Z)
• MM-SurvNet: Deep Learning-Based Survival Risk Stratification in Breast Cancer Through Multimodal Data Fusion [18.395418853966266]
  乳がん生存リスク階層化のための新しい深層学習手法を提案する。 画像特徴抽出には視覚変換器、特にMaxViTモデルを使用し、患者レベルでの複雑な画像関係のキャプチャには自己注意を用いる。 二重クロスアテンション機構はこれらの特徴を遺伝データと融合させ、臨床データを最終層に組み込んで予測精度を高める。
  論文  参考訳（メタデータ） (2024-02-19T02:31:36Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Modelling Technical and Biological Effects in scRNA-seq data with Scalable GPLVMs [6.708052194104378]
  我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。 鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
  論文  参考訳（メタデータ） (2022-09-14T15:25:15Z)
• 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)
• A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
  変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。 提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
  論文  参考訳（メタデータ） (2021-06-10T14:10:25Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• 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)
• Low-Rank Reorganization via Proportional Hazards Non-negative Matrix Factorization Unveils Survival Associated Gene Clusters [9.773075235189525]
  この研究において、Cox比例ハザードの回帰は生存制約を課すことでNMFと統合される。 ヒト癌遺伝子の発現データを用いて、提案手法は癌遺伝子の重要なクラスターを解明することができる。 発見された遺伝子クラスターは、豊富な生物学的含意を反映し、生存に関連するバイオマーカーの同定に役立つ。
  論文  参考訳（メタデータ） (2020-08-09T17:59:30Z)

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。