Reusability report: Prostate cancer stratification with diverse biologically-informed neural architectures

要約

Elmarakeby らの「前立腺がん発見のための生物学的に情報を与えられたディープ ニューラル ネットワーク」では、前立腺がんの状態をモデル化するために、生物学的に情報を与えられた疎な接続を備えたフィードフォワード ニューラル ネットワーク (P-NET) が紹介されました。
私たちは、Elmarakeby らによって行われた研究の再現性を、彼らのオリジナルのコードベースと、より最新のライブラリを使用した独自の再実装の両方を使用して検証しました。
私たちは、Reactome 生物学的経路によるネットワークの希薄化の寄与を定量化し、P-NET の優れたパフォーマンスに対するその重要性を確認しました。
さらに、私たちは、生物学的情報をネットワークに組み込むための代替のニューラル アーキテクチャとアプローチを調査しました。
同じトレーニング データに対して 3 種類のグラフ ニューラル ネットワークを実験し、異なるモデル間の臨床予測の一致を調査しました。
私たちの分析では、異なるアーキテクチャを持つディープ ニューラル ネットワークが、特定のニューラル アーキテクチャのさまざまな初期化にわたって持続する、個々の患者に対する誤った予測を行うことが実証されました。
これは、異なるニューラル アーキテクチャがデータの異なる側面に敏感であることを示唆しており、これは臨床予測タスクにとって重要であるにもかかわらず十分に検討されていない課題です。

要約(オリジナル)

In, Elmarakeby et al., ‘Biologically informed deep neural network for prostate cancer discovery’, a feedforward neural network with biologically informed, sparse connections (P-NET) was presented to model the state of prostate cancer. We verified the reproducibility of the study conducted by Elmarakeby et al., using both their original codebase, and our own re-implementation using more up-to-date libraries. We quantified the contribution of network sparsification by Reactome biological pathways, and confirmed its importance to P-NET’s superior performance. Furthermore, we explored alternative neural architectures and approaches to incorporating biological information into the networks. We experimented with three types of graph neural networks on the same training data, and investigated the clinical prediction agreement between different models. Our analyses demonstrated that deep neural networks with distinct architectures make incorrect predictions for individual patient that are persistent across different initializations of a specific neural architecture. This suggests that different neural architectures are sensitive to different aspects of the data, an important yet under-explored challenge for clinical prediction tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google