Применение глубокого обучения для прогнозирования онкологического прогноза

The Application of Deep Learning in Cancer Prognosis Prediction
Xiangqian Guo, Wan Zhu, Longxiang Xie, Jianye Han, Jianye Han
2020-03-05

базы данных TCGA и GEOпрогнозирование онкологического прогнозаглубокое обучениемультиомные данныеоценка выживаемости
Глубокое обучение применяется во многих областях здравоохранения, включая диагностику по изображениям, цифровую патологию, прогнозирование госпитализации, разработку лекарственных препаратов, классификацию раковых и стромальных клеток и поддержку врачей. Онкологический прогноз включает оценку течения заболевания, вероятности рецидива и прогрессирования рака, а также продолжительности выживаемости пациентов. Точное прогнозирование онкологического прогноза может значительно улучшить клиническое ведение пациентов с онкологическими заболеваниями. Совершенствование трансляционных биомедицинских исследований и применение современных методов статистического анализа и машинного обучения являются движущими силами повышения точности прогнозирования онкологического прогноза. В последние годы вычислительные мощности значительно возросли, а технологии искусственного интеллекта, особенно глубокого обучения, быстро развиваются. Кроме того, снижение стоимости крупномасштабного секвенирования нового поколения и доступность таких данных через базы данных с открытым исходным кодом, например The Cancer Genome Atlas (TCGA) и Gene Expression Omnibus (GEO), создают возможности для построения более мощных и точных моделей прогнозирования онкологического прогноза. В настоящем обзоре рассмотрены наиболее недавно опубликованные работы, в которых глубокое обучение использовалось для построения моделей прогнозирования онкологического прогноза. Глубокое обучение рассматривается как более универсальный подход, требующий меньшего объёма инженерной обработки данных и обеспечивающий более точное прогнозирование при работе с большими объёмами данных. Было показано, что применение глубокого обучения для оценки онкологического прогноза обеспечивает результаты, сопоставимые с современными подходами или превосходит их, включая модель пропорциональных рисков Кокса (Cox-PH). С увеличением объёма мультиомных данных, включая геномные и транскриптомные данные, а также клиническую информацию, получаемых в онкологических исследованиях, мы полагаем, что глубокое обучение способно повысить точность прогнозирования онкологического прогноза.
1
По сравнению с традиционными методами, такими как модели пропорциональных рисков Кокса, глубокое обучение продемонстрировало сопоставимую или превосходящую точность прогнозирования прогноза рака.
2
Глубокое обучение обычно требует меньшей инженерии признаков и может обеспечивать более точные прогнозы при обучении на больших объёмах данных.
3
Глубокое обучение всё чаще применяется для прогнозирования прогноза рака, включая рецидивы, прогрессирование и выживаемость пациентов.
4
Интеграция мультиомных данных, включая геномную, транскриптомную и клиническую информацию, рассматривается как перспективное направление улучшения прогнозирования прогноза рака.
5
Снижение стоимости секвенирования и открытые базы данных, такие как TCGA и GEO, позволяют создавать более крупные и мощные модели прогнозирования.

прогнозирование течения и исходов рака

прогнозирование с использованием глубокого обучения рецидива, прогрессирования рака и выживаемости пациентов

Publication Details
Publication Date
2020-03-05
Journal
Publisher
ISSN
Cited by
384
Access Type
Author Information
Authors
Xiangqian Guo
Wan Zhu
Longxiang Xie
Jianye Han
Jianye Han
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%