論文の概要: CMGL: Confidence-guided Multi-omics Graph Learning for Cancer Subtype Classification

• arxiv url: http://arxiv.org/abs/2604.24201v1
• Date: Mon, 27 Apr 2026 09:02:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.871227
• Title: CMGL: Confidence-guided Multi-omics Graph Learning for Cancer Subtype Classification
• Title（参考訳）: CMGL:癌サブタイプ分類のための信頼誘導マルチオミクスグラフ学習
• Authors: Boyang Fan, Hengchuang Yin, Siyu Yi, Yifan Wang, Zhicheng Li, Leijiyu Zhou, Jiancheng Lv, Wei Ju,
• Abstract要約: 本稿では,明らかな深層学習を通じて,サンプルごとのモダリティの信頼性を推定するフレームワークCMGLを提案する。 CMGLは最強のベースラインを継続的に上回り、4つのシングルカンサータスクの平均精度を4.03%上回っている。
• 参考スコア（独自算出の注目度）: 23.394649656767257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motivation: Multi-omics integration can improve cancer subtyping, but modality informativeness and noise vary across cancer types and patients. Existing graph-based methods optimize modality weights jointly with the classification objective and therefore lack independent reliability estimates, so low-quality omics distort patient similarity graphs and amplify noise through message passing. Results: We propose CMGL, a two-stage framework that estimates per-sample modality reliability through evidential deep learning and uses the frozen confidence scores to guide cross-omics fusion and graph construction. On four MLOmics cancer-subtype tasks and the 32-class pan-cancer task, CMGL consistently improves over the strongest baseline, surpassing it by 4.03% in average accuracy on the four single-cancer tasks. Its representations recover the PAM50 intrinsic subtypes of breast invasive carcinoma (BRCA), and the BRCA-trained model transfers without fine-tuning to kidney renal clear cell carcinoma (KIRC), stratifying patients into prognostically distinct groups.
• Abstract（参考訳）: モチベーション(Motivation):マルチオミクスの統合は、がんのサブタイピングを改善することができるが、モダリティ情報性とノイズは、がんの種類や患者によって異なる。 既存のグラフベースの手法は、分類目的と共同でモダリティ重みを最適化し、したがって独立した信頼性推定を欠いているため、低品質のオミクスは患者類似性グラフを歪め、メッセージパッシングを通じてノイズを増幅する。 結果: CMGLは,明快な深層学習を通じて,サンプルごとのモダリティの信頼性を推定する2段階のフレームワークであり,凍結した信頼度スコアを用いて,クロスオミクス融合とグラフ構築のガイドを行う。 4つのMLOmics癌サブタイプタスクと32クラスのパンがんタスクでは、CMGLは最強のベースラインよりも一貫して改善され、4つの単一がんタスクの平均精度は4.03%向上した。 その表現は、乳腺浸潤癌(BRCA)のPAM50内在性サブタイプを回復させ、BRCAにより訓練されたモデルが腎クリア細胞癌(KIRC)に微調整することなく移行し、患者を予後に異なるグループに分類する。

関連論文リスト

• Multimodal Fusion of Histopathology Images and Electronic Health Records for Early Breast Cancer Diagnosis [15.70912899013153]
  本稿では, パッチレベルの病理組織学的特徴を構造化された臨床データと統合する体系的枠組みを提案する。 単相画像モデル(単純なCNNベースラインと転送学習を備えたResNet-18)と中間融合モデル(XGBoostと多層パーセプトロン)を訓練し評価する。 以上の結果から,マルチモーダル統合は,予測性能と臨床透明性の両方において有意義な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-04-18T19:46:34Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Boosting Pathology Foundation Models via Few-shot Prompt-tuning for Rare Cancer Subtyping [80.92960114162746]
  視覚言語病理基盤モデルの可能性を生かした新しいフレームワークPathPTを提案する。 PathPTは、WSIレベルの監視を、VLモデルのゼロショット機能を活用することで、きめ細かいタイルレベルのガイダンスに変換する。 以上の結果から,PathPTは一貫して優れた性能を示し,サブタイピング精度と癌領域の接地能力を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-08-21T18:04:41Z)
• FoundBioNet: A Foundation-Based Model for IDH Genotyping of Glioma from Multi-Parametric MRI [1.4249472316161877]
  我々は,多パラメータMRIから非侵襲的にIDH変異を予測できるFoundBioNet(FoundBioNet)を提案する。 1705人のグリオーマ患者を6つの公開データセットから多施設で訓練し, 評価した。 我々のモデルは、EGD、TCGA、Ivy GAP、RHUH、UPennの独立したテストセットに対して90.58%、88.08%、65.41%、および80.31%のAUCを達成した。
  論文  参考訳（メタデータ） (2025-08-09T00:08:10Z)
• MoXGATE: Modality-aware cross-attention for multi-omic gastrointestinal cancer sub-type classification [7.7134821078470965]
  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。
  論文  参考訳（メタデータ） (2025-06-08T03:42:23Z)
• 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)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• 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)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)

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。