論文の概要: MoXGATE: Modality-aware cross-attention for multi-omic gastrointestinal cancer sub-type classification

• arxiv url: http://arxiv.org/abs/2506.06980v1
• Date: Sun, 08 Jun 2025 03:42:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 21:10:47.070531
• Title: MoXGATE: Modality-aware cross-attention for multi-omic gastrointestinal cancer sub-type classification
• Title（参考訳）: MoXGATE:多臓器癌亜型分類におけるモダリティ・アウェア・クロスアテンション
• Authors: Sajib Acharjee Dip, Uddip Acharjee Shuvo, Dipanwita Mallick, Abrar Rahman Abir, Liqing Zhang,
• Abstract要約: MoXGATEは、モダリティ間の依存関係をキャプチャし、堅牢で解釈可能な統合を保証する、新しいディープラーニングフレームワークである。 我々は,MoXGATEが既存の手法より優れ,95%の分類精度を実現していることを示す。 主な貢献は,(1)クロスアテンションに基づくマルチオミック統合フレームワーク,(2)解釈可能性向上のためのモダリティ重み付き融合,(3)データの不均衡を緩和するための焦点損失の応用などである。
• 参考スコア（独自算出の注目度）: 7.7134821078470965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cancer subtype classification is crucial for personalized treatment and prognostic assessment. However, effectively integrating multi-omic data remains challenging due to the heterogeneous nature of genomic, epigenomic, and transcriptomic features. In this work, we propose Modality-Aware Cross-Attention MoXGATE, a novel deep-learning framework that leverages cross-attention and learnable modality weights to enhance feature fusion across multiple omics sources. Our approach effectively captures inter-modality dependencies, ensuring robust and interpretable integration. Through experiments on Gastrointestinal Adenocarcinoma (GIAC) and Breast Cancer (BRCA) datasets from TCGA, we demonstrate that MoXGATE outperforms existing methods, achieving 95\% classification accuracy. Ablation studies validate the effectiveness of cross-attention over simple concatenation and highlight the importance of different omics modalities. Moreover, our model generalizes well to unseen cancer types e.g., breast cancer, underscoring its adaptability. Key contributions include (1) a cross-attention-based multi-omic integration framework, (2) modality-weighted fusion for enhanced interpretability, (3) application of focal loss to mitigate data imbalance, and (4) validation across multiple cancer subtypes. Our results indicate that MoXGATE is a promising approach for multi-omic cancer subtype classification, offering improved performance and biological generalizability.
• Abstract（参考訳）: 癌サブタイプ分類はパーソナライズされた治療と予後評価に重要である。 しかし、ゲノミクス、エピゲノミクス、および転写学的特徴の不均一性のため、効果的にマルチオミクスデータを統合することは依然として困難である。 本研究では,複数オミクス源間の特徴融合を促進するために,クロスアテンションと学習可能なモダリティ重みを利用する新しいディープラーニングフレームワークであるModality-Aware Cross-Attention MoXGATEを提案する。 このアプローチは、モダリティ間の依存関係を効果的に捉え、堅牢で解釈可能な統合を保証する。 TCGAによる消化管腺癌 (GIAC) および乳癌 (BRCA) データセットの実験を通じて, MoXGATE が既存の方法より優れ,95%の分類精度が得られたことを実証した。 アブレーション研究は、単純な結合に対する交差注意の有効性を検証し、異なるオミクスのモダリティの重要性を強調する。 さらに,本モデルでは,乳がんなど未確認のがんタイプに適応性について検討した。 主な貢献は,(1)クロスアテンションに基づく多機能統合フレームワーク,(2)拡張解釈性のためのモダリティ重み付き融合,(3)データ不均衡を緩和するための焦点損失の応用,(4)複数のがんサブタイプにわたる検証などである。 以上の結果から, MoXGATE は多臓器癌サブタイプ分類において有望なアプローチであり, 性能と生物学的一般化性の向上が期待できると考えられた。

関連論文リスト

• Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification, An Interpretable Multi-Omics Approach [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• 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)
• 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)
• CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
  CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。 我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
  論文  参考訳（メタデータ） (2024-01-29T12:56:11Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• 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)
• MoCLIM: Towards Accurate Cancer Subtyping via Multi-Omics Contrastive Learning with Omics-Inference Modeling [9.900594964709116]
  我々は癌サブタイプのための表現学習フレームワークであるMoCLIMを開発した。 その結果,本手法は,高次元癌症例の少ない症例において,データ適合性やサブタイプ性能を著しく向上させることが示唆された。 本フレームワークは, 各種医療評価を最終要素として含み, 医療分析における高い解釈可能性を提供する。
  論文  参考訳（メタデータ） (2023-08-17T10:49:48Z)
• Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
  低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。 本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。 私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
  論文  参考訳（メタデータ） (2021-02-11T09:04:45Z)
• 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)

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。