論文の概要: Ovarian Cancer Detection based on Dimensionality Reduction Techniques
and Genetic Algorithm
- arxiv url: http://arxiv.org/abs/2105.01748v1
- Date: Tue, 4 May 2021 20:38:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 23:46:52.416716
- Title: Ovarian Cancer Detection based on Dimensionality Reduction Techniques
and Genetic Algorithm
- Title（参考訳）: 次元化技術と遺伝的アルゴリズムを用いた卵巣癌検出
- Authors: Ahmed Farag Seddik, Hassan Mostafa Ahmed
- Abstract要約: 正常血清からプロテオミクス癌血清を同定する血清SELDIデータセットが2つあります。
PCA (Principal Component Analysis) と GA (Genetic algorithm) の性能を評価することを選択しました。
GAは特徴選択に有効であり,PCA法よりも癌パターン検出に有用であると考えられた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this research, we have two serum SELDI (surface-enhanced laser desorption
and ionization) mass spectra (MS) datasets to be used to select features
amongst them to identify proteomic cancerous serums from normal serums.
Features selection techniques have been applied and classification techniques
have been applied as well. Amongst the features selection techniques we have
chosen to evaluate the performance of PCA (Principal Component Analysis ) and
GA (Genetic algorithm), and amongst the classification techniques we have
chosen the LDA (Linear Discriminant Analysis) and Neural networks so as to
evaluate the ability of the selected features in identifying the cancerous
patterns. Results were obtained for two combinations of features selection
techniques and classification techniques, the first one was PCA+(t-test)
technique for features selection and LDA for accuracy tracking yielded an
accuracy of 93.0233 % , the other one was genetic algorithm and neural network
yielded an accuracy of 100%. So, we conclude that GA is more efficient for
features selection and hence for cancerous patterns detection than PCA
technique.
- Abstract（参考訳）: 本研究では, 血清seldi (surface-enhanced laser de absorption and ionization) mass spectrum (ms) データセットを用いて, 正常血清からプロテオミクス癌性血清を同定する機能を選択する。
特徴の選択技術が適用され、分類技術も適用されている。
特徴選択手法として,PCA (Principal Component Analysis ) とGA (Genetic Algorithm) の性能評価を選択し,分類手法としてLDA (Linear Discriminant Analysis) とニューラルネットを選択し,癌パターンの同定における特徴の評価を行った。
その結果,特徴選択法と分類法の組み合わせで,第1に特徴選択のためのPCA+(t-test)法,第1に精度追跡のためのLDAが93.0233 %,第2に遺伝的アルゴリズムとニューラルネットワークが100%の精度で得られた。
そこで我々は, GAが特徴選択に有効であり, PCA法よりも癌パターン検出に有用であることが結論された。
関連論文リスト
- A Diagnostic Model for Acute Lymphoblastic Leukemia Using Metaheuristics and Deep Learning Methods [6.318593483920089]
急性リンパ性白血病(ALL)重症度は、爆発細胞の存在と比率によって決定される。
本稿では,ResNetをベースとした特徴抽出器を用いて,さまざまな特徴抽出器や分類器とともにALLを検出する。
この手法は90.71%の精度と95.76%の感度を達成し、このデータセットの指標は他よりも優れていた。
論文 参考訳（メタデータ） (2024-06-02T13:25:44Z) - 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) - Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for
Attribute-Based Medical Image Diagnosis [42.624671531003166]
本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。
我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
論文 参考訳（メタデータ） (2022-08-19T12:06:46Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Multivariate feature ranking of gene expression data [62.997667081978825]
ペアワイズ相関とペアワイズ整合性に基づく2つの新しい多変量特徴ランキング手法を提案する。
提案手法は, クラスタリング変動, チ・スクエアド, 相関, 情報ゲイン, ReliefF および Significance の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-11-03T17:19:53Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features
Selection [1.990876596716716]
子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。
ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。
このフレームワークは3つの公開ベンチマークデータセットで評価されている。
論文 参考訳（メタデータ） (2021-06-09T08:57:22Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳（メタデータ） (2021-02-11T09:04:45Z) - PointIso: Point Cloud Based Deep Learning Model for Detecting
Arbitrary-Precision Peptide Features in LC-MS Map through Attention Based
Segmentation [5.495506445661776]
PointIsoは、ペプチドの特徴検出の問題を解決するために、ポイントクラウドベースの任意の精度のディープラーニングネットワークである。
ベンチマークデータセットにおいて、高品質なMS/MS識別を98%検出する。
論文 参考訳（メタデータ） (2020-09-15T17:34:14Z) - Analysis of ensemble feature selection for correlated high-dimensional
RNA-Seq cancer data [0.24366811507669126]
本研究は、関連する変数の発見のための2つのアプローチを比較する。
最も有益な特徴は、4つの特徴選択アルゴリズムを用いて識別される。
残念なことに、特徴選択アルゴリズムのアンサンブルから得られた特徴集合に基づいて構築されたモデルは、個々のアルゴリズムから得られた特徴集合に基づいて開発されたモデルよりは良くなかった。
論文 参考訳（メタデータ） (2020-04-28T20:38:53Z) - Latent regularization for feature selection using kernel methods in
tumor classification [1.9078991171384014]
特徴選択は、腫瘍の分類に役立つ重要な遺伝子を選択するための有用なアプローチである。
本稿では,遺伝子とカスタムカーネルのサブセットを減らし,マルチカーネル学習に基づく特徴選択手法を提案する。
新しい未確認試験試料の腫瘍分類性能により, 一般化能力の向上と評価を行った。
論文 参考訳（メタデータ） (2020-04-10T00:46:02Z)
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。