利用辅助信息基于 Transformer 的癌症治疗个性化药物识别器
机器学习
2024-02-19 v1 定量方法
摘要
癌症因其日益增长的临床和经济负担而仍然是全球性挑战。其独特的个体表现形式使得治疗变得困难，从而推动了对个性化治疗策略的探索。因此，基因组分析正日益成为临床诊断面板的一部分。有效利用此类面板需要准确的药物反应预测（DRP）模型，但由于标记的患者数据有限，构建这些模型极具挑战性。此前解决该问题的方法采用了各种形式的迁移学习。然而，它们并未显式地对诊断面板中突变列表的可变长度序列结构进行建模。此外，它们也未利用辅助信息（如患者生存期）进行模型训练。我们通过一种新颖的基于 Transformer 的方法解决了这些局限性，该方法在基准数据上的表现超越了最先进的 DRP 模型。我们还展示了一种治疗推荐系统（TRS）的设计，该系统目前已部署于新加坡国立大学医院，并正在临床试验中进行评估。
引用
@article{arxiv.2402.10551,
title = {Personalised Drug Identifier for Cancer Treatment with Transformers using Auxiliary Information},
author = {Aishwarya Jayagopal and Hansheng Xue and Ziyang He and Robert J. Walsh and Krishna Kumar Hariprasannan and David Shao Peng Tan and Tuan Zea Tan and Jason J. Pitt and Anand D. Jeyasekharan and Vaibhav Rajan},
journal= {arXiv preprint arXiv:2402.10551},
year = {2024}
}