文献

J-GLOBAL ID：202102257229118668   整理番号：21A0084010

個別処理効果推定および治療選択のための条件付き生成敵対ネットワーク【JST・京大機械翻訳】

Conditional Generative Adversarial Networks for Individualized Treatment Effect Estimation and Treatment Selection

著者 (8件)： Ge Qiyang (Department of Biostatistics and Data Science, School of Public Health, The University of Texas Health Science Center at Houston, Houston, TX, United States) ,  Ge Qiyang (School of Mathematical Sciences, Fudan University, Shanghai, China) ,  Huang Xuelin (Department of Biostatistics, The University of Texas MD Anderson Cancer Center, Houston, TX, United States) ,  Fang Shenying (Department of Surgical Oncology, The University of Texas MD Anderson Cancer Center, Houston, TX, United States) ,  Guo Shicheng (Department of Medical Genetics, University of Wisconsin-Madison, Madison, WI, United States) ,  Liu Yuanyuan (Department of Biostatistics and Data Science, School of Public Health, The University of Texas Health Science Center at Houston, Houston, TX, United States) ,  Lin Wei (School of Mathematical Sciences, Fudan University, Shanghai, China) ,  Xiong Momiao (Department of Biostatistics and Data Science, School of Public Health, The University of Texas Health Science Center at Houston, Houston, TX, United States)
資料名： Frontiers in Genetics (Web)  (Frontiers in Genetics (Web))
巻： 11  ページ： 585804  発行年： 2020年 
JST資料番号： U7071A  ISSN： 1664-8021  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 治療応答は不均一である。しかし,古典的方法は,治療応答を均質として扱い,平均治療効果を推定する。伝統的方法は,正確な腫瘍学に適用するのが難しい。人工知能(AI)は,正確な腫瘍学のための強力なツールである。それは個別化処理効果を正確に推定し,最適治療選択を学習できる。したがって,AIアプローチは,患者の進歩と治療結果を大幅に改善できる。個別化処理効果(GANITE)の推論のための条件付き生成敵対的ネットの1つのAIアプローチを開発した。しかし,GANITEは二元処理のみを扱うことができ,最適処理選択のためのツールを提供しない。これらの限界を克服するために,著者らは,バイナリ,カテゴリーおよび連続処理を含むあらゆるタイプの処理の個別化効果の推定を可能にするために,条件付き生成敵対ネットワーク(MCGAN)を修正した。著者らは,各患者の最良の治療を予測するバイオマーカーの選択のためのスパース技術の使用を提案した。シミュレーションは,MCGANが7つの他の最先端の方法,すなわち線形回帰(LR),Bayes線形リッジ回帰(BLR),k-最近傍(KNN),ランダム森林分類[RF(C)],ランダム森林回帰[RF(R)],ロジスティック回帰(LogR),およびサポートベクトルマシン(SVM)より優れていることを示した。それらの応用を例証するために,M.D.Anderson癌センターで高用量ara-C(HDAC),イダビシン(IDA),およびこれら2つの治療(HDAC+IDA)で治療した新たに診断された急性骨髄性白血病(AML)の256人の患者に,提案したMCGANを適用した。著者らの結果は,MCGANが,他の最先端の方法よりも,個別化処理効果をより正確に,ロバストに推定できることを示した。GSK3,BILIRUBIN,SMACのようないくつかのバイオマーカーを同定し,合計30のバイオマーカーは治療効果変動の36.8%を説明できる。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ネットワーク ,  人工知能 ,  線形性 ,  ロバスト性 ,  バイオマーカー ,  急性骨髄性白血病 ,  ヒストンデアセチラーゼ ,  サポートベクトルマシン
準シソーラス用語： ロジスティック回帰分析 ,  線形回帰 ,  治療反応性 ,  ランダムフォレスト ,  バイナリー ,  リッジ回帰 , 【Automatic Indexing@JST】

著者キーワード (5件)： 因果推論 ,  生成敵対ネットワーク ,  反事実 ,  治療評価 ,  精密医学

分類 (5件)： 生体膜一般  (EF04010G) ,  臨床腫よう学一般  (GE03010Y) ,  眼の疾患の外科療法  (GP05030P) ,  薬事,薬業  (GU01020R) ,  精神障害の薬物療法  (GR04020D)

引用文献 (47件)：

• AlaaA. M.van der SchaarM. (2017). “Bayesian inference of individualized treatment effects using multi-task gaussian processes,” in Proceedings of the 31st International Conference on Neural Information Processing Systems. 3427-3435.
• AliM.AittokallioT. (2019). Machine learning and feature selection for drug response prediction in precision oncology applications. Biophys. Rev. 11, 31-39. doi: 10.1007/s12551-018-0446-z30097794
• BardaiF. H.D'MelloS. R. (2011). Selective toxicity by HDAC3 in neurons: regulation by Akt and GSK3beta. J. Neurosci. 31, 1746-1751. doi: 10.1523/JNEUROSCI.5704-10.201121289184
• BeurelE.GriecoS. F.JopeR. S. (2015). Glycogen synthase kinase-3 (GSK3): regulation, actions, and diseases. Pharmacol. Ther. 148, 114-131. doi: 10.1016/j.pharmthera.2014.11.01625435019
• BreimanL. (2001). Random forests. Mach. Learn. 45, 5-32. doi: 10.1023/A:1010933404324

タイトルに関連する用語 (3件)： 推定 ,  治療選択 ,  敵対