論文の概要: Cancer Hallmark Classification Using Bidirectional Encoder Representations From Transformers

• arxiv url: http://arxiv.org/abs/2305.03501v1
• Date: Tue, 2 May 2023 09:57:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-14 21:16:11.826275
• Title: Cancer Hallmark Classification Using Bidirectional Encoder Representations From Transformers
• Title（参考訳）: 変換器からの双方向エンコーダ表現を用いたがんマーカー分類
• Authors: Sultan Zavrak and Seyhmus Yilmaz
• Abstract要約: 本稿では,がん研究において重要な課題であるがんの徴候を正確に分類するための新しいアプローチを提案する。 提案手法は,様々なダウンストリームアプリケーションにおいて異常な性能を示すBERTアーキテクチャを用いている。 本研究の結果,本研究の精度は94.45%であり,本論文の報告によれば,少なくとも8.04%の有意な増加がみられた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel approach to accurately classify the hallmarks of cancer, which is a crucial task in cancer research. Our proposed method utilizes the Bidirectional Encoder Representations from Transformers (BERT) architecture, which has shown exceptional performance in various downstream applications. By applying transfer learning, we fine-tuned the pre-trained BERT model on a small corpus of biomedical text documents related to cancer. The outcomes of our experimental investigations demonstrate that our approach attains a noteworthy accuracy of 94.45%, surpassing almost all prior findings with a substantial increase of at least 8.04% as reported in the literature. These findings highlight the effectiveness of our proposed model in accurately classifying and comprehending text documents for cancer research, thus contributing significantly to the field. As cancer remains one of the top ten leading causes of death globally, our approach holds great promise in advancing cancer research and improving patient outcomes.
• Abstract（参考訳）: 本稿では,癌研究において重要な課題である癌の特徴を正確に分類する新しい手法を提案する。 提案手法はトランスフォーマ (bert) アーキテクチャの双方向エンコーダ表現を応用し, 様々な下流アプリケーションにおいて例外的な性能を示した。 移行学習を適用することで,癌関連文書の小さなコーパスに,事前学習したBERTモデルを微調整した。 実験結果から,本手法の精度は94.45%であり,文献で報告したようにほぼすべての先行研究を上回り,少なくとも8.04%の上昇を示した。 これらの知見は, 癌研究におけるテキスト文書の正確な分類と理解において, 提案モデルの有効性を浮き彫りにしており, この分野に大きく貢献している。 がんは世界的にもトップ10の死因の1つであり、我々のアプローチはがん研究を推進し、患者の成果を改善する上で大きな可能性を秘めている。

関連論文リスト

• Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification [7.002657345547741]
  非小細胞肺癌(NSCLC)は、世界中のがん死亡の主な原因である。 本稿では, 融合医療画像(CT, PET)と臨床健康記録, ゲノムデータとを合成する, マルチモーダルデータの革新的な統合について紹介する。 NSCLCの検出と分類精度の大幅な向上により,本研究は既存のアプローチを超越している。
  論文  参考訳（メタデータ） (2024-09-27T12:59:29Z)
• Deep Transfer Learning for Breast Cancer Classification [0.0]
  ディープトランスファー学習は、乳癌の分類を改善するための有望な手法として登場した。 本研究では,VGG,ViT,Resnetを用いて浸潤性直腸癌 (IDC) 画像の分類を行った。 その結果、Resnet-34は90.40%の精度でがん画像の分類が可能となった。
  論文  参考訳（メタデータ） (2024-09-05T15:54:41Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Enhancing Clinically Significant Prostate Cancer Prediction in T2-weighted Images through Transfer Learning from Breast Cancer [71.91773485443125]
  転送学習は、よりリッチなデータを持つドメインから取得した機能を活用して、限られたデータを持つドメインのパフォーマンスを向上させるテクニックである。 本稿では,T2強調画像における乳癌からの転移学習による臨床的に有意な前立腺癌予知の改善について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:57:27Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• Breast Cancer Classification Using Gradient Boosting Algorithms Focusing on Reducing the False Negative and SHAP for Explainability [0.6906005491572401]
  本研究は,乳がん予測のためのブースティングに基づく各種機械学習アルゴリズムの性能評価に焦点をあてる。 本研究の目的は,AdaBoost,XGBoost,CatBoost,LightGBMといった最先端の促進アルゴリズムを用いて乳癌の予測と診断を行うことである。
  論文  参考訳（メタデータ） (2024-03-14T16:35:43Z)
• Comparative Analysis of Deep Learning Architectures for Breast Cancer Diagnosis Using the BreaKHis Dataset [0.0]
  本研究では,癌分類における5つのよく知られたディープラーニングモデルの性能と比較を行った。 その結果、Xceptionモデルがトップに上がり、F1スコアは0.9、精度は89%となった。 InceptionモデルのF1スコアは87で、InceptionResNetのF1スコアは86。
  論文  参考訳（メタデータ） (2023-09-02T19:02:50Z)
• Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
  乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。 金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。 本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
  論文  参考訳（メタデータ） (2023-04-12T15:08:34Z)
• 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)

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。