抗癌剤感受性予測のためのREFIND CNNアンサンブル学習の研究【JST・京大機械翻訳】

Bazgir Omid; Ghosh Souparno; Pal Ranadip

プレプリント

J-GLOBAL ID：202202209002188342 整理番号：21P0047889

抗癌剤感受性予測のためのREFIND CNNアンサンブル学習の研究【JST・京大機械翻訳】

Investigation of REFINED CNN ensemble learning for anti-cancer drug sensitivity prediction

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年09月08日プレプリントサーバーでの情報更新日： 2021年04月24日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

個々の細胞株に対する深層学習モデルを用いた抗癌薬感受性予測は,個別化医療における大きな課題である。REFINED(NEighborフード依存度)CNN(畳込みニューラルネットワーク)ベースのモデルは,薬剤感受性予測において有望な結果を示している。REFINED CNNの背後にある一次アイデアは,畳込みニューラルネットワークアーキテクチャから利益を得ることができる空間相関を有するコンパクトな画像として高次元ベクトルを表す。しかし,ベクトルからコンパクトな2D画像へのマッピングは,考慮した距離測度と近傍における変動のためにユニークではない。本論文では,最良の単一REFINED CNNモデル予測で改善できるようなマッピングから構築されたアンサンブルに基づく予測を考察した。NCI60とNCIALMANACデータベースを用いて例証した結果は,アンサンブルアプローチが個々のモデルと比較して顕著な性能改善を提供できることを示した。さらに,異なるマッピングのアマルガム化から作成した単一マッピングは,積層アンサンブルと同様の性能を提供できるが,計算複雑度はかなり低いことを示した。【JST・京大機械翻訳】

, , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る