論文の概要: A Deep Embedded Refined Clustering Approach for Breast Cancer Distinction based on DNA Methylation

• arxiv url: http://arxiv.org/abs/2102.09563v1
• Date: Thu, 18 Feb 2021 16:46:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-22 13:40:23.451842
• Title: A Deep Embedded Refined Clustering Approach for Breast Cancer Distinction based on DNA Methylation
• Title（参考訳）: DNAメチル化による乳癌鑑別のための深層埋込み精製クラスタリング法
• Authors: del Amor Roc\'io, Colomer Adri\'an, Monteagudo Carlos, Naranjo Valery
• Abstract要約: 本研究では、DNAメチル化に基づく乳癌分化のための深層組込み精製クラスタリング法を提案する。 提案手法は主に2つの段階からなる。 第1段階は、オートエンコーダに基づくメチル化データの次元的縮小である。 第2段階は、オートエンコーダによって提供される潜在空間のソフトアサインに基づくクラスタリングアルゴリズムである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Epigenetic alterations have an important role in the development of several types of cancer. Epigenetic studies generate a large amount of data, which makes it essential to develop novel models capable of dealing with large-scale data. In this work, we propose a deep embedded refined clustering method for breast cancer differentiation based on DNA methylation. In concrete, the deep learning system presented here uses the levels of CpG island methylation between 0 and 1. The proposed approach is composed of two main stages. The first stage consists in the dimensionality reduction of the methylation data based on an autoencoder. The second stage is a clustering algorithm based on the soft-assignment of the latent space provided by the autoencoder. The whole method is optimized through a weighted loss function composed of two terms: reconstruction and classification terms. To the best of the authors' knowledge, no previous studies have focused on the dimensionality reduction algorithms linked to classification trained end-to-end for DNA methylation analysis. The proposed method achieves an unsupervised clustering accuracy of 0.9927 and an error rate (%) of 0.73 on 137 breast tissue samples. After a second test of the deep-learning-based method using a different methylation database, an accuracy of 0.9343 and an error rate (%) of 6.57 on 45 breast tissue samples is obtained. Based on these results, the proposed algorithm outperforms other state-of-the-art methods evaluated under the same conditions for breast cancer classification based on DNA methylation data.
• Abstract（参考訳）: エピジェネティックな変化は、いくつかの種類のがんの発生に重要な役割を果たしている。 エピジェネティック研究は大量のデータを生成し、大規模なデータを扱うことができる新しいモデルを開発することが不可欠です。 そこで本研究では,DNAメチル化に基づく乳がん分化のための深部埋込みクラスタリング法を提案する。 具体的には, 深層学習システムは, 0 から 1 の間の CpG 島メチル化のレベルを利用する。 提案手法は主に2つの段階からなる。 第1段階は、オートエンコーダに基づくメチル化データの次元的縮小である。 第2段階は、オートエンコーダによって提供される潜在空間のソフトアサインに基づくクラスタリングアルゴリズムである。 この方法は、再構成と分類の2つの項からなる重み付き損失関数によって最適化される。 著者の知識を最大限に活かすために、DNAメチル化分析のための分類訓練を受けたエンドツーエンドに関連付けられた次元還元アルゴリズムに焦点を当てたこれまでの研究はありませんでした。 提案法は, 乳房組織試料137例に対して, 教師なしクラスタリング精度0.9927, エラー率0.73を達成する。 異なるメチル化データベースを用いた深層学習法の第2試験の後、45個の乳房組織試料の精度0.9343とエラー率6.57(%)を得る。 これらの結果に基づいて,DNAメチル化データに基づく乳がん分類の同一条件下で評価された他の最新手法を上回るアルゴリズムが提案された。

関連論文リスト

• Prediction by Machine Learning Analysis of Genomic Data Phenotypic Frost Tolerance in Perccottus glenii [7.412214379486083]
  我々はPerccottus gleniiの遺伝子配列解析に機械学習技術を用いる。 我々はRandom Forest, LightGBM, XGBoost, Decision Treeの4つの分類モデルを構築した。 これらの分類モデルで使用されるデータセットは、National Center for Biotechnology Informationデータベースから抽出された。
  論文  参考訳（メタデータ） (2024-10-11T14:45:47Z)
• Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
  深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。 実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
  論文  参考訳（メタデータ） (2024-04-14T12:09:47Z)
• Fuzzy Gene Selection and Cancer Classification Based on Deep Learning Model [1.3072222152900117]
  我々は,癌分類を容易にする情報的遺伝子を同定するための新しいファジィ遺伝子選択法(FGS)を開発した。 FGS法で癌分類は96.5%,96.2%,96%,95.9%の精度,精度,リコール,f1スコアを得た。 得られた6つのデータセットを調べることで、提案モデルはがんを効果的に分類する能力を示す。
  論文  参考訳（メタデータ） (2023-05-04T21:52:57Z)
• ReCasNet: Improving consistency within the two-stage mitosis detection framework [5.263015177621435]
  既存のアプローチでは、潜在的な有糸分裂細胞の位置を特定するための検出ステージと、予測信頼性を精査するための分類ステージという、2段階のパイプラインが使用されている。 このパイプライン定式化は、検出段階の予測品質の低下と、トレーニングデータ分布のミスマッチによる分類段階の不整合につながる可能性がある。 Refine Cascade Network(ReCasNet)は,先述した問題を3つの改善で軽減する,拡張されたディープラーニングパイプラインである。
  論文  参考訳（メタデータ） (2022-02-28T16:03:14Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Deep Learning Based Model for Breast Cancer Subtype Classification [3.419451872918847]
  本稿では,乳癌の4つのサブタイプ(Basal,Her2,LumA,LumB)の分類における遺伝子発現データの利用に焦点を当てた。 オートエンコーダを用いて、特徴セットのサイズを20,530の遺伝子発現値から500に縮小する。 第1ステージと第2ステージのネットワークを併用することにより,TGA乳癌データセット上で平均10倍の精度0.907を達成できた。
  論文  参考訳（メタデータ） (2021-11-06T17:15:35Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。