Применение глубокого обучения для прогнозирования онкологического прогноза
The Application of Deep Learning in Cancer Prognosis Prediction
2020-03-05
SCID: 54.1/w4n8j98a
Discuss with AI
базы данных TCGA и GEOпрогнозирование онкологического прогнозаглубокое обучениемультиомные данныеоценка выживаемости
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
прогнозирование течения и исходов рака
Research Subject
прогнозирование с использованием глубокого обучения рецидива, прогрессирования рака и выживаемости пациентов
Publication Details
Publication Date
2020-03-05
Journal
Publisher
ISSN
Cited by
384
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai11
Глубокое остаточное обучение для распознавания изображений2016
Очень глубокие сверточные сети для масштабного распознавания изображений2014
ImageNet: крупномасштабная иерархическая база изображений2009
Распределённые представления слов и фраз и их композиционность2013
Статистика онкологических заболеваний, 2019 год2019
Квантование методом наименьших квадратов в PCM1982
mice: Многомерная импутация методом цепочек уравнений в R2011
Проект «Генотип—экспрессия в тканях» (GTEx)2013
Проект панкансерного анализа «Атлас генома рака»2013
Обзор проекта «Атлас генома рака» (TCGA): неисчерпаемый источник знаний2015
Масштабируемое и точное глубокое обучение с использованием электронных медицинских карт2018