癌動力学の教師なし抽出のための成長パターン学習【JST・京大機械翻訳】

Axenie, C.; Kurz, D.

プレプリント

J-GLOBAL ID：202202220846946998 整理番号：22P0238390

癌動力学の教師なし抽出のための成長パターン学習【JST・京大機械翻訳】

Growth pattern Learning for Unsupervised Extraction of Cancer Kinetics

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 (2件)： ,
資料名：
発行年： 2020年06月15日プレプリントサーバーでの情報更新日： 2020年06月15日
JST資料番号： O7001B 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)

ネオプラスチックプロセスは複雑で不均一な動力学によって記述される。腫瘍細胞の環境との相互作用は腫瘍増殖を記述し,癌浸潤の開始に重要である。腫瘍成長モデルの大きなスペクトルにもかかわらず,特定の癌に対する最も適切なモデルを選択する方法,およびこれが治療計画におけるその後の使用にいかに影響するかに関する明確なガイダンスはない。そのようなモデルは,腫瘍生物学に依存するパラメータ化を必要とし,他の腫瘍タイプおよびそれらの変動性にはほとんど一般化しない。さらに,このデータセットは,制限または高価な測定方法のため,サイズが小さい。不完全な生物学的記述,腫瘍型の多様性,およびデータの小サイズが機構モデルをもたらすという限界をすべて解明して,著者らは癌成長曲線の教師なし学習が可能なニューラルネットワークに基づく新しいデータ駆動モデル,癌動力学(GLUECK)の非監督抽出のための成長パターン学習を導入した。ニューラルネットワークにおける競争,協調,および相関の機構を採用して,GLUECKは入力空間の根底にある分布とともに入力データの時間的発展を学習する。4つの臨床腫瘍データセットから成長曲線を抽出する際に,4つの典型的に使用される腫瘍成長モデルに対してGLUECKの優れた精度を示した。著者らの実験は,修飾なしで,GLUECKが腫瘍型間と内部で多用途である基礎となる成長曲線を学習できることを示した。【JST・京大機械翻訳】

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

腫ようの化学・生化学・病理学 , 腫ようの薬物療法 , 細胞生理一般

, , , ,

前のページに戻る