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。
ハイスループット配列決定のコストの減少により,癌患者のオミクスプロファイルを提供するますます多くのデータセットが利用可能になる。したがって,これらの異なるサイズで不均一な分子および臨床グループの変数を統合する新しい生存解析アプローチが開発されている。マルチオミクスデータ統合のタスクの困難さのため,臨床データを用いたCox比例-Hazards(PH)モデルは,分子データモダリティを用いたモデルより性能が劣る,最良性能技術の1つに留まっている。したがって,生存解析におけるマルチオミクス統合を成功裏に実行することができ,臨床Cox PHモデルより優れている方法の必要性がある。さらに,特定の深層学習法は,癌生存予測の最先端の精度を提供することが示されているが,それらの大部分は,より多くの様式を統合するとき,性能において利点または減衰さえ示さず,さらに,マルチオミクス統合のためのニューラルネットワークを用いるとき,モダリティ特異的表現を統合すべきかどうかを調査する必要性を動機づける。ニューラルネットワークアーキテクチャのための多重統合技法をベンチマークし,モダリティ固有表現の階層的自動符号器ベース統合が,最大プール化のような他の方法よりも優れており,マルチオミクス統合のための最先端の統計的手法に匹敵することを明らかにした。さらに,著者らは,様式特異的表現の階層的オートエンコーダベースの統合が,各癌に対する最も有益なモダリティに焦点を合わせて,ソフトモダリティ選択機構を通して,増加した性能を達成することを示した。したがって,部分グループワイズ特徴選択問題としてマルチオミクス統合をフレーム化し,これらのモデルのみが,あまり重要なモダリティによって課せられた高ノイズの存在下で,適切に重要なモダリティを重みづけることができることを強調した。【JST・京大機械翻訳】