可复用性报告：基于多样生物信息神经架构的前列腺癌分层
机器学习
2023-11-01 v2
摘要
在 Elmarakeby 等人发表的“用于前列腺癌发现的生物信息深度神经网络”中，提出了一个具有生物信息稀疏连接的前馈神经网络(P-NET)来建模前列腺癌状态。我们使用其原始代码库以及采用较新库的自研重实现，验证了 Elmarakeby 等人研究的可复现性。我们量化了通过 Reactome 生物通路进行的网络稀疏化的贡献，并确认其对 P-NET 优越性能的重要性。此外，我们探索了替代神经架构及将生物信息融入网络的方法。我们在相同训练数据上试验了三类图神经网络，并考察了不同模型间临床预测的一致性。我们的分析表明，具有不同架构的深度神经网络对个体患者的错误预测在特定神经架构的不同初始化间持续存在。这表明不同神经架构对数据的不同方面敏感，这是临床预测任务中重要却未被充分探索的挑战。
引用
@article{arxiv.2309.16645,
title = {Reusability report: Prostate cancer stratification with diverse biologically-informed neural architectures},
author = {Christian Pedersen and Tiberiu Tesileanu and Tinghui Wu and Siavash Golkar and Miles Cranmer and Zijun Zhang and Shirley Ho},
journal= {arXiv preprint arXiv:2309.16645},
year = {2023}
}
备注
9 pages, 3 figures. Submitted to Nature Machine Intelligence