PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.24201v2cs.LG

CMGL: 암 아형 분류를 위한 신뢰도 기반 다중 오믹스 그래프 학습

CMGL: Confidence-guided Multi-omics Graph Learning for Cancer Subtype Classification

동기: 다중 오믹스(multi-omics) 통합은 암 아형 분류(cancer subtyping) 성능을 향상할 수 있으나, 암 종류와 환자에 따라 양식(modality)별 유용성과 노이즈가 상이합니다. 대부분의 다중 오믹스 데이터용 그래프 기법은 다운스트림 분류 목적식 내에서 양식별 기여도를 학습하므로 환자별 예측 신뢰도가 암시적인 상태로 남게 됩니다. 그 결과, 정보량이 적은 양식은 융합된 표현을 약화시킬 수 있으며, 신뢰할 수 없는 오믹스는 그래프 전파 과정에 노이즈가 섞인 환자 간 관계를 유입시킬 수 있습니다. 이러한 두 가지 문제를 해결하기 위해, 본 연구에서는 융합 전에 독립적인 신뢰도 추정치를 산출하고 합의 환자 이웃(consensus patient neighborhoods)을 그래프 분류에 활용하는 CMGL을 제안합니다. 결과: CMGL은 증거적 심층 학습(evidential deep learning)을 통해 각 환자에 대한 양식 신뢰도를 추정하고, 오믹스 간 융합 과정에서 이 값들을 고정한 뒤 독립적으로 지정된 일관성 그래프 상에서 분류를 수행합니다. 4개의 MLOmics 암 아형 태스크와 32개 클래스의 범암(pan-cancer) 태스크에서 CMGL은 가장 강력한 기준선 모델 대비 일관된 성능 향상을 보였으며, 4개의 단일 암 태스크 평균 정확도에서 4.03% 더 우수한 성능을 기록했습니다. 또한 제안 모델의 표현은 유방 침윤성 암종(BRCA)의 PAM50 고유 아형을 복원하며, BRCA에서 학습된 모델은 파인튜닝(fine-tuning) 없이도 신장 투명 세포암(KIRC)으로 전이되어 환자들을 예후상 뚜렷하게 구별되는 집단으로 층화합니다.