論文の概要: Ensemble Classification and Cancer-Specific Gene Signatures from Quality-Aware Hybrid Gene Selection in TCGA RNA-Seq data

• arxiv url: http://arxiv.org/abs/2611.00477v1
• Date: Sat, 31 Oct 2026 00:05:52 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:15:28.51766
• Title: Ensemble Classification and Cancer-Specific Gene Signatures from Quality-Aware Hybrid Gene Selection in TCGA RNA-Seq data
• Title（参考訳）: TCGA RNA-Seqデータにおける品質を考慮したハイブリット遺伝子選択による組分け分類と癌特異的遺伝子シグナチャ
• Abstract要約: 10,469 TCGA腫瘍を用いてアンサンブル分類法と癌特異的遺伝子シグネチャの開発と評価を行った。 論理的回帰は最も正確で最も校正された単一学習者であった。 ROC AUC>=0.99に到達し,最も後期の腫瘍が検出された。
• 参考スコア（独自算出の注目度）: 0.31869936453700776
• License:
• Abstract: Gene-expression classifiers of cancer type are usually developed and validated within one cohort using random splits. Starting from a quality-aware hybrid Boruta selector from earlier work, we developed and evaluated ensemble classifiers and cancer-specific gene signatures. Using 10,469 TCGA tumours of 33 types, we compared five learners and three ensembles under decision rules fixed in advance, reran the selection in site-grouped cross-validation, transferred a breast-cancer subtype panel to 3273 tumours of the independent SCAN-B cohort, and built five-gene stage~I tumour versus adjacent-normal panels for nine cancer types. Logistic regression (LR) was the most accurate and best-calibrated single learner (balanced accuracy 0.943 on the locked test set). Stacking added at most 0.006 with 1000 genes but improved on LR in every fold with a minimal 100-gene panel; a hierarchical model did not reduce within-group confusion. Site-grouped validation lowered balanced accuracy by 0.027, almost entirely in colon and rectal cancer (0.008 without them and the untestable LAML). On SCAN-B, the subtype panel reached 0.855, close to the 50 PAM50 genes (0.876). Stage~I panels reached ROC AUC >= 0.99 in held-out patients and detected most later-stage tumours. Ensembles help most with a minimal panel; with 1000 genes, a calibrated linear model suffices.
• Abstract（参考訳）: がん型の遺伝子発現分類器は、通常、ランダムスプリットを用いて1つのコホート内で開発され、検証される。 初期の研究から,高品質なハイブリッド型ボルタセレクタを出発点として,アンサンブル分類器と癌特異的遺伝子シグネチャを開発し,評価した。 10,469個のTGA腫瘍を33種類の腫瘍で比較し、5つの学習者と3つのアンサンブルを事前に定式化した判定規則で比較し、部位別クロスバリデーションの選択を見直し、乳がんサブタイプパネルを独立したSCAN-Bコホート3273個の腫瘍に移植し、9種類の癌に対して第Iステージ〜第Iステージを作製した。 ロジスティック回帰(LR)は、最も正確で最も校正された単一学習者(ロックされたテストセットの精度0.943)であった。 1000の遺伝子で0.006が加わったが、最小100遺伝子パネルでLRが改良され、階層モデルではグループ内の混乱は軽減されなかった。 部位群別検証では, ほぼ全大腸癌と直腸癌 (0.008例, LAMLは未確認) で, 精度を0.027に低下させた。 SCAN-Bでは、サブタイプパネルは0.855に達し、50個のPAM50遺伝子(0.876)に近かった。 ROC AUC>=0.99に到達し,最も後期の腫瘍が検出された。 アンサンブルは最小限のパネルでほとんど役立ち、1000の遺伝子でリニアモデルのサフィスを校正する。

関連論文リスト

• Searching for Robust Augmentations to Improve Out-of-Domain Generalization in Dermoscopic Skin Cancer Classification [35.18016233072556]
  悪性二分数非悪性一般化のロバスト性を改善するためのデータ拡張法について検討した。 データ拡張は、マルチソースISICアーカイブコレクションで検索された。
  論文  参考訳（メタデータ） (2026-07-29T11:06:06Z)
• 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)
• Mamba-SSM with LLM Reasoning for Feature Selection: Faithfulness-Aware Biomarker Discovery [0.0]
  TCGA-BRCA RNA-seqでMamba SSMを訓練し、勾配塩分濃度でトップ50遺伝子を抽出する。 ホールドアウト試験分割では、生の50遺伝子サリエンシセット(LSMなし)は5000遺伝子分散ベースラインよりも悪化する。 忠実度監査では、選択された17遺伝子のうち6遺伝子(35.3%)がBRCAバイオマーカーとして検証され、入力に含まれる16のBRCA遺伝子のうち10遺伝子が欠落している。
  論文  参考訳（メタデータ） (2026-04-15T18:39:46Z)
• DNABERT-2: Fine-Tuning a Genomic Language Model for Colorectal Gene Enhancer Classification [0.0]
  DNABERT-2は、DNAから可変長トークンを学習するためにバイトペアエンコーディングを使用するトランスフォーマーゲノム言語モデルである。 遺伝子エンハンサーは、いつ、どこで遺伝子がスイッチされるかを制御するが、その配列の多様性と組織特異性は、大腸癌の特定を困難にしている。 大腸癌におけるBPEトークン化を用いた第2世代のゲノム言語モデルを適用した最初の研究である。
  論文  参考訳（メタデータ） (2025-09-28T16:10:03Z)
• Multi-modal AI for comprehensive breast cancer prognostication [18.691704371847855]
  我々は、デジタル病理と臨床データを統合する新しい人工知能(AI)ベースのアプローチを開発した。 この検査は15のコホートで計8,161人の乳がん患者のデータを用いて開発・評価された。 以上の結果から,我々のAIテストは既存の予後検査の精度を改善しつつ,幅広い患者に適用可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-28T17:54:29Z)
• Cluster-Induced Mask Transformers for Effective Opportunistic Gastric Cancer Screening on Non-contrast CT Scans [38.46196471197819]
  世界第3位の死因は胃癌である。 既存の方法は侵襲的であり、高価であり、早期胃癌を特定する感度が欠如している。 マルチタスク方式で腫瘍を共同分割し異常を分類する新規なクラスタ誘導型マスクトランスを提案する。
  論文  参考訳（メタデータ） (2023-07-10T12:49:36Z)
• Deep learning-based approach to reveal tumor mutational burden status from whole slide images across multiple cancer types [41.61294299606317]
  腫瘍突然変異負担(TMB)は、免疫療法の潜在的なゲノムバイオマーカーである。 ゲノムシークエンシングによって検出されたTMBは、低リソース環境での臨床透過性を欠いている。 本研究では,日常的に使用されているスライド画像からTMB状態を検出するための大規模ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-07T07:02:32Z)
• Noncoding RNAs and deep learning neural network discriminate multi-cancer types [0.0]
  我々は,すべてのがんタイプを分類する包括的検出システムを開発した。 ROC 96.3% の AUC (Area Under Curve of a Receiver Operating Characteristics curve) で癌と健康な対象を正確に検出できる。 包括的マーカーパネルは、異質ながん組織および状態において、安定して78%の精度で全ての一般的ながんを同時に多重分類することができる。
  論文  参考訳（メタデータ） (2021-03-01T18:20:45Z)

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。