論文の概要: Semi-Supervised Learning-Based Genetic Biomarkers Dataset for Multiple-Stage Hepatocellular Carcinoma Prediction

• arxiv url: http://arxiv.org/abs/2609.17100v1
• Date: Tue, 15 Sep 2026 12:33:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.522192
• Title: Semi-Supervised Learning-Based Genetic Biomarkers Dataset for Multiple-Stage Hepatocellular Carcinoma Prediction
• Title（参考訳）: 多段階肝細胞癌予測のための半教師付き学習型遺伝子バイオマーカーデータセット
• Abstract要約: 肝がんの最も一般的な形態は癌(HCC)であり、肝臓がんの90%以上を占める。 ゲノムデータを利用したHCCデータセットが公開されていないことは明らかである。 本研究では,XGBoost と Semi-Supervised を用いた多段階 HCC データセットの構築について提案する。
• 参考スコア（独自算出の注目度）: 2.2251452674183922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Liver cancer is a complex disease responsible for a high number of deaths across the globe each year, making automated solutions for liver cancer classification urgent. The most common form of liver cancer is hepatocellular carcinoma (HCC), accounting for over 90% of liver cancer cases. There is a distinct lack of publicly available HCC datasets utilizing genomic data, which is necessary for training artificial intelligence (AI) models for automated HCC classification. This study proposes constructing a multi-stage HCC dataset using XGBoost and Semi-Supervised learning on three separate datasets of genomic biomarkers, utilizing their existing labels in the Semi-Supervised learning process to label the proposed dataset. The proposed dataset consists of 770 patient samples in total, categorized into five classes that represent normal tissue alongside different stages of HCC. Each sample in the dataset consists of 11,150 different gene expression levels. The XGBoost model demonstrated a final classification accuracy of 96.5% during the Semi-Supervised learning process.
• Abstract（参考訳）: 肝がんは、毎年多量の死亡の原因となる複雑な疾患であり、肝臓がんの分類の自動化が緊急に行われる。 肝癌の最も一般的な形態は肝細胞癌(HCC)であり、肝癌の90%以上を占める。 自動HCC分類のための人工知能(AI)モデルのトレーニングに必要なゲノムデータを利用した、公開可能なHCCデータセットの欠如がある。 本研究では,XGBoost と Semi-Supervised Learning を用いた多段階 HCC データセットの構築について提案する。 提案したデータセットは合計770人の患者サンプルからなり,HCCの異なる段階と共に正常組織を表す5つのクラスに分類される。 データセットの各サンプルは11,150の異なる遺伝子発現レベルで構成されている。 XGBoostモデルはセミスーパービジョン学習過程において96.5%の最終的な分類精度を示した。

関連論文リスト

• A Digital Pathology Resource for Liver Cancer Quantification with Datasets, Benchmarks, and Tools [17.811013755898365]
  肝癌に対するパッチレベルの画像データベースであるHepatoBenchを7つの主要組織カテゴリにアノテーションでリリースした。 HepatoBenchに基づいて、組織認識ツールとしてディープラーニング分類モデルをトレーニングし、オープンソース化する。 We build HepatoQuant, a end-to-end, disease-specific Regional Quantification tools for liver cancer。
  論文  参考訳（メタデータ） (2026-04-22T14:13:09Z)
• Transforming Multi-Omics Integration with GANs: Applications in Alzheimer's and Cancer [0.0]
  我々は,高品質な合成マルチオミクスプロファイルを生成するために,GAN(Generative Adversarial Network)ベースのフレームワークであるOmics-GANを紹介する。 アルツハイマー病に対するROSMAPコホートを用いた3種類のオミクス(mRNA,メチル化,DNAメチル化)に対するOmics-GANの試験を行った。 5倍のクロスバリデーションを繰り返したサポートベクターマシン(SVM)は、元のオミクスプロファイルと比較して予測精度を向上した。 Boxplot分析では、合成データはノイズや外れ値を低減しつつ統計分布を保存していることを確認した。
  論文  参考訳（メタデータ） (2025-10-22T05:55:49Z)
• SurGen: 1020 H&E-stained Whole Slide Images With Survival and Genetic Markers [0.3262230127283452]
  大腸癌症例843例のH&E-stained whole-slide image (WSIs) 1020例のデータセットSurGenについて報告する。 このデータセットには、キー遺伝子変異(KRAS、NRAS、BRAF)とミスマッチ修復状態の詳細なアノテーションと、426件の生存データが含まれている。
  論文  参考訳（メタデータ） (2025-02-07T14:12:07Z)
• Hybrid deep learning-based strategy for the hepatocellular carcinoma cancer grade classification of H&E stained liver histopathology images [2.833640239679924]
  肝細胞癌(HCC)は肝癌の一種であり,早期診断が一般的である。 本稿では、トランスファーラーニングを用いて、事前学習された畳み込みニューラルネットワーク(CNN)モデルから特徴を抽出するハイブリッドディープラーニングベースのアーキテクチャを提案する。 提案したハイブリッドモデルでは,TCGA-LIHCおよびKMCデータベースの事前学習モデルよりも2%,4%の精度が向上した。
  論文  参考訳（メタデータ） (2024-12-04T07:26:36Z)
• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Primary liver cancer classification from routine tumour biopsy using weakly supervised deep learning [10.50491279664907]
  原発性肝癌(PLCs)の診断は、特に生検および併用胆管癌(cHCC-CCA)において困難である。 弱教師付き学習法を用いて, 常駐型生検で自動的にPLCを分類した。 弱腫瘍/非腫瘍アノテーションは、Resnet18ニューラルネットワークをトレーニングするためのラベルとして機能し、ネットワークの最後の畳み込み層は、新しい腫瘍タイルの特徴を抽出するために使用された。
  論文  参考訳（メタデータ） (2024-04-07T15:03:46Z)
• 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)
• 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)
• 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)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)

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。