文献

J-GLOBAL ID：201902260041827837   整理番号：19A0516647

多発性骨髄腫患者における薬剤感受性予測を改善するための転移学習アプローチ【JST・京大機械翻訳】

Transfer Learning Approaches to Improve Drug Sensitivity Prediction in Multiple Myeloma Patients

著者 (3件)： Turki Turki (Department of Computer Science, King Abdulaziz University, Jeddah, Saudi Arabia) ,  Wei Zhi (Department of Computer Science, New Jersey Institute of Technology, Newark, NJ, USA) ,  Wang Jason T. L. (Department of Computer Science, New Jersey Institute of Technology, Newark, NJ, USA)
資料名： IEEE Access  (IEEE Access)
巻： 5  ページ： 7381-7393  発行年： 2017年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 薬物感受性予測に対する伝統的機械学習アプローチは,訓練データと試験データが同じ特徴空間にあり,同じ基礎分布を持つことを仮定している。しかし,実際の応用では,この仮定は成立しない。例えば,複数骨髄腫患者(標的タスク)における薬物感受性予測のタスクに対する訓練データは限られているが,他の癌タイプ(関連タスク)を有する患者における薬物感受性予測のタスクに対する十分な補助データがあり,そこでは関連タスクの補助データは異なる特徴空間または異なる分布を持っている。このような場合,移動学習は,正しく適用すれば,関連するタスクから補助データを活用することにより,目標タスクのテストデータに関する予測アルゴリズムの性能を改善する。本論文では,目標タスクの試験データに関する予測性能を改善するために,目標タスクの訓練データと関連タスクから補助データを結合する2つの移動学習アプローチを提示した。3つの補助データ集合を利用する著者らの転送学習手法の性能を評価し,目標タスクのテストデータに関する受信者動作特性曲線下の面積を用いてベースライン手法に対してそれらを比較した。実験結果により,補助データが組み込まれた場合に,本手法の良好な性能とベースライン手法に対するそれらの優位性を実証した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *予測 ,  機械学習 ,  *学習 ,  *多発性骨髄腫 ,  薬剤感受性 ,  基準線
準シソーラス用語： ROC曲線 ,  予測性能 ,  予測アルゴリズム ,  *ミエローマ ,  特徴空間 ,  試験データ ,  訓練データ ,  *転移学習 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 多発性骨髄腫 ,  患者 ,  薬剤感受性 ,  予測 ,  転移学習