論文の概要: A Novel Machine Learning Approach for Central Nervous System Tumor Classification from DNA Methylation

• arxiv url: http://arxiv.org/abs/2607.01307v1
• Date: Wed, 01 Jul 2026 16:57:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.540576
• Title: A Novel Machine Learning Approach for Central Nervous System Tumor Classification from DNA Methylation
• Title（参考訳）: DNAメチル化を利用した中枢神経系腫瘍分類のための新しい機械学習手法
• Abstract要約: NAメチル化プロファイリングは中枢神経系(CNS)腫瘍の分類において強力なアプローチとなっている。 メチル化をベースとしたCNS腫瘍分類のための,新規かつ方法論的に厳密な機械学習手法を提案する。 この結果から,提案手法は,評価設定において従来よりも常に優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: NA methylation profiling has become a powerful approach for central nervous system (CNS) tumor classification, yet important challenges remain regarding cross-cohort transferability, methodological correctness, and robust multiclass evaluation. In this work, we propose a novel and methodologically rigorous machine-learning approach for methylation-based CNS tumor classification that combines Sparse Random Projection for dimensionality reduction with multinomial logistic regression for classification. We evaluate the proposed approach in the same general experimental setting established by a widely used reference classifier. On the 2,801-sample reference cohort, our method achieves a mean accuracy of 96\% under stratified 3-fold cross-validation. On the independent 1,104-sample clinical evaluation cohort, it reaches 86\% accuracy at the 91-class level and 93\% when predictions are evaluated at the methylation class family level. These results improve upon the corresponding state-of-the-art reference figures of 82\% class-level concordance and 88\% family-level concordance, yielding absolute gains of approximately 4 and 5 percentage points, respectively. This improvement is clinically relevant: in a diagnostic setting, a 5-point increase in correct tumor classification can directly affect cancer subtype assignment and, in turn, influence treatment selection and downstream clinical decision-making. Our results show that the proposed model, grounded in stronger methodological practice in machine learning, consistently outperforms the previous state of the art across evaluation settings and can materially improve the reliability of CNS tumor classification.
• Abstract（参考訳）: NAメチル化プロファイリング(NAメチル化プロファイリング)は中枢神経系(CNS)腫瘍分類の強力なアプローチとなっているが、クロスコホート転送性、方法論的正当性、堅牢なマルチクラス評価に関して重要な課題が残っている。 本研究では,Sparse Random Projectionと多項ロジスティック回帰を併用した,メチル化に基づくCNS腫瘍分類のための,新しい,方法論的な機械学習手法を提案する。 提案手法は,広く使用されている参照分類器によって確立された,同じ一般的な実験環境において評価される。 2,801サンプルの基準コホートでは, 層状3次元クロスバリデーションにおいて平均96倍の精度を達成している。 独立した1,104サンプルの臨床評価コホートでは、メチル化クラスファミリーレベルでの予測が評価されると、91クラスで86倍、93倍の精度に達する。 これらの結果は,28%のクラスレベル一致と88%のファミリーレベル一致の対応する技術基準値を改善し,それぞれ4ポイントと5ポイントの絶対利得を得た。 この改善は臨床的に重要であり、診断環境では、正しい腫瘍分類の5ポイント増加は、がんのサブタイプの割り当てに直接影響を与え、その結果、治療の選択や下流の臨床的決定に影響を及ぼす可能性がある。 提案手法は,機械学習における方法論的実践の強化を基礎として,評価設定における従来の最先端技術よりも一貫して優れており,CNS腫瘍分類の信頼性を大幅に向上させることができることを示す。

関連論文リスト

• Histopathological Spectrum-Guided Prostate Stratification via Segmentation-Assisted Diagnostic Transformer [29.021037203684227]
  前立腺癌の病理組織学的スペクトルデータセット(PCa-HSD)を構築する。 本研究は,前立腺癌と診断し易い良性病変の表現不足に対処し,臨床的に有意義な4クラス分類課題を定式化する。 提案法は,344例のコホートを用いた5倍のクロスバリデーションにおいて,背骨平均精度0.633,ジョイントリコール0.768を連続的に改善する。
  論文  参考訳（メタデータ） (2026-07-19T10:03:47Z)
• A deep learning pipeline for PAM50 subtype classification using histopathology images and multi-objective patch selection [0.2958068627971103]
  PAM50遺伝子シグネチャは、乳がんを固有のサブタイプに分類する標準として広く認識されている。 本研究では,コストのかかる分子アッセイへの依存を減らすことを目的とした,新しい最適化駆動型ディープラーニングフレームワークを提案する。 提案手法は,非支配的ソート遺伝的アルゴリズムII(NSGA-II)とモンテカルロのドロップアウトに基づく不確実性推定を組み合わせ,パッチ情報量,空間的多様性,不確実性,パッチ数などを共同で最適化する。
  論文  参考訳（メタデータ） (2026-04-02T09:13:24Z)
• Deep Learning-Based Multiclass Classification of Oral Lesions with Stratified Augmentation [0.25489046505746704]
  本研究は, 深層学習を用いて16種類の口腔病変に対する多クラス分類器を構築することを目的としている。 実験結果は、83.33パーセントの精度、89.12パーセントの精度、77.31パーセントのリコールを達成し、提案されたモデルの優位性を実証した。
  論文  参考訳（メタデータ） (2025-11-26T16:56:42Z)
• Fusion-Based Brain Tumor Classification Using Deep Learning and Explainable AI, and Rule-Based Reasoning [0.0]
  本研究では,MobileNetV2とDenseNet121畳み込みニューラルネットワーク(CNN)を組み合わせたアンサンブルに基づくディープラーニングフレームワークを提案する。 モデルは、階層化された5倍のクロスバリデーションプロトコルを使用して、Figshareデータセット上でトレーニングされ、評価された。 このアンサンブルは個々のCNNよりも優れた性能を示し、精度は91.7%、精度は91.9%、リコールは91.7%、F1スコアは91.6%だった。
  論文  参考訳（メタデータ） (2025-08-09T08:46:36Z)
• 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)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• 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)
• Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
  放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
  論文  参考訳（メタデータ） (2021-02-10T15:10:37Z)

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。