文献

J-GLOBAL ID：201702247668142070   整理番号：17A0142715

癌生存率を予測するための多モードグラフに基づく半教師つきパイプライン【Powered by NICT】

A multi-modal graph-based semi-supervised pipeline for predicting cancer survival

著者 (3件)： Hassanzadeh Hamid Reza (Department of Computational Science and Engineering, Georgia Institute of Technology, North Avenue, Atlanta, 30332, United States of America) ,  Phan John H. (Department of Biomedical Engineering, Georgia Institute of Technology, North Avenue, Atlanta, 30332, United States of America) ,  Wang May D. (Department of Biomedical Engineering, Georgia Institute of Technology, North Avenue, Atlanta, 30332, United States of America)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： BIBM  ページ： 184-189  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 癌生存予測は不必要な治療を防ぎ,患者の生活の質の改善を助けることが研究の活発な領域である。遺伝子発現プロファイリングは,助剤は異なる臨床エンドポイント予測を予測する有益なバイオマーカーを発見するための癌研究で広く使われている。は癌患者の生存率を予測するためのRNAディープシークエンシング(RNA-seq)から得られたデータの複数のモダリティを用いた。癌腫瘍の発現プロファイルで利用できる豊富な情報にもかかわらず,前述の目的を満たす発現プロファイルの高次元と比較して,データ試料の不足のために,ほとんどの部分で,大きな挑戦のままである。そのようなものとして,トランスクリプトームデータ様式の解析は最大著しい量の雑音に隠された関連情報を発見するために全ての利用可能なデータを利用できる最新のビッグデータ分析技術が必要である。本論文では,入力の構造(多様体学習)を利用することによって,ラプラシアンサポートベクトルマシンを用いたラベルなしサンプル,グラフベース半教師つき学習(GSSL)パラダイムを活用することにより癌患者の生存を予測するパイプラインを提案した。ある条件の下では,単一モダリティそれ自体が最良の精度を高めることができず,スタック一般化法を介して異なるモデルを融合することにより,精度を向上させる相乗的に可能性があることを示した。二癌データセットに本手法を適用して有望な結果を示した。標識試料を得るために高価な場合にも同様のパイプラインは予測タスクに使用できることを維持した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 高次元 ,  患者 ,  トランスクリプトーム ,  RNA【核酸】 ,  クオリティオブライフ ,  データフォーマット ,  バイオマーカー ,  *生存率
準シソーラス用語： 半教師つき学習 ,  多様体学習 ,  ビッグデータ ,  モダリティ ,  癌患者 ,  エンドポイント ,  遺伝子発現プロファイリング , 【Automatic Indexing@JST】

分類 (3件)： 腫ようの化学・生化学・病理学  (GE02030N) ,  遺伝子発現  (EC02040Q) ,  消化器の腫よう  (GH04000D)

タイトルに関連する用語 (7件)： 癌 ,  生存 ,  予測 ,  多モード ,  グラフ ,  教師 ,  パイプライン