抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
結論:マルチモーダルデータの統合は,蛋白質機能や疾患転帰などの生物医学的特性を予測する有効なアプローチである。しかしながら,既存のデータ統合手法はマルチモーダルデータの不均一意味論に十分に対処しない。特に,均一統合表現に依存する初期および中間アプローチは,モダリティ間のコンセンサスを強化するが,排他的局所情報を失う可能性がある。この課題に対処することができる代替後期統合アプローチは,生物医学問題に対して系統的に研究されていない。結果:後期統合アプローチの新しい系統的実装としてアンサンブル統合(EI)を提案した。EIは適切なアルゴリズムを用いて個々のデータモダリティから局所予測モデルを推論し,これら局所モデルを大域的予測モデルに統合するために効果的な不均一アンサンブルアルゴリズムを使用する。また,EIモデルのための新しい解釈法を提案した。著者らは,マルチモーダルSTRINGデータからの蛋白質機能の予測問題および電子健康記録におけるマルチモーダルデータからのCOVID-19による死亡率に関するEIを試験した。EIは,各個々のモダリティよりも著しく正確な予測を生成する目標を達成することを見出した。また,これらの問題の各々に対して,いくつかの確立された初期統合法よりも性能が良かった。COVID-19死亡率予測に対する代表的EIモデルの解釈は,実験室試験(血液尿素窒素(BUN)およびカルシウム)および生命徴候測定(最小酸素飽和)および人口統計学(年齢)のようないくつかの疾患関連特徴を同定した。これらの結果は,生物医学データ統合と予測モデリングのためのEIフレームワークの有効性を実証した。アベイラビリティ:コードとデータは,https://github.com/GauravPandeyLab/ensemble統合で利用可能である。接触:gaurav.pandey@mssm.edu.【JST・京大機械翻訳】