論文の概要: Fuzzy Gene Selection and Cancer Classification Based on Deep Learning Model

• arxiv url: http://arxiv.org/abs/2305.04883v1
• Date: Thu, 4 May 2023 21:52:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 13:33:57.843531
• Title: Fuzzy Gene Selection and Cancer Classification Based on Deep Learning Model
• Title（参考訳）: 深層学習モデルに基づくファジィ遺伝子選択と癌分類
• Authors: Mahmood Khalsan, Mu Mu, Eman Salih Al-Shamery, Lee Machado, Suraj Ajit, Michael Opoku Agyeman
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.3072222152900117
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Machine learning (ML) approaches have been used to develop highly accurate and efficient applications in many fields including bio-medical science. However, even with advanced ML techniques, cancer classification using gene expression data is still complicated because of the high dimensionality of the datasets employed. We developed a new fuzzy gene selection technique (FGS) to identify informative genes to facilitate cancer classification and reduce the dimensionality of the available gene expression data. Three feature selection methods (Mutual Information, F-ClassIf, and Chi-squared) were evaluated and employed to obtain the score and rank for each gene. Then, using Fuzzification and Defuzzification methods to obtain the best single score for each gene, which aids in the identification of significant genes. Our study applied the fuzzy measures to six gene expression datasets including four Microarray and two RNA-seq datasets for evaluating the proposed algorithm. With our FGS-enhanced method, the cancer classification model achieved 96.5%,96.2%,96%, and 95.9% for accuracy, precision, recall, and f1-score respectively, which is significantly higher than 69.2% accuracy, 57.8% precision, 66% recall, and 58.2% f1-score when the standard MLP method was used. In examining the six datasets that were used, the proposed model demonstrates it's capacity to classify cancer effectively.
• Abstract（参考訳）: 機械学習(ML)アプローチは、バイオメディカルサイエンスを含む多くの分野において、高精度で効率的な応用を開発するために使われてきた。 しかし、高度なML手法であっても、採用したデータセットの高次元性のため、遺伝子発現データを用いたがん分類は複雑である。 我々は,癌分類の容易化と,利用可能な遺伝子発現データの次元性を低減するために,新しいファジィ遺伝子選択法(FGS)を開発した。 3つの特徴選択法(Mutual Information,F-ClassIf,Chi-squared)を評価し,各遺伝子に対するスコアとランクを得た。 次に、ファジフィケーション法とデファジフィケーション法を用いて、重要な遺伝子の同定を支援する各遺伝子に最適なスコアを得る。 本研究は4つのマイクロアレイと2つのrna-seqデータセットを含む6つの遺伝子発現データセットにファジィ測度を適用し,提案アルゴリズムを評価した。 fgs-enhanced法により,標準mlp法では精度,精度,リコール,f1-scoreのそれぞれ96.5%,96.2%,96%,95.9%となり,69.2%の精度,57.8%の精度,66%のリコール,58.2%のf1-scoreが得られた。 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。

関連論文リスト

• An Evolutional Neural Network Framework for Classification of Microarray Data [0.0]
  本研究の目的は,遺伝的アルゴリズムとニューラルネットワークのハイブリッドモデルを用いて,情報的遺伝子のサブセット選択において問題を克服することである。 実験の結果,提案手法は,他の機械学習アルゴリズムと比較して,高い精度と最小数の選択遺伝子が示唆された。
  論文  参考訳（メタデータ） (2024-11-20T13:48:40Z)
• Precision Cancer Classification and Biomarker Identification from mRNA Gene Expression via Dimensionality Reduction and Explainable AI [0.9423257767158634]
  本研究では,33種類の異なる癌とその対応する遺伝子群を正確に同定するための包括的パイプラインを提案する。 正規化と特徴選択技術を組み合わせて、データセットの次元性を効果的に削減する。 我々はExplainable AIを利用して、同定された癌特異的遺伝子の生物学的意義を解明する。
  論文  参考訳（メタデータ） (2024-10-08T18:56:31Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• A Hybrid Machine Learning Model for Classifying Gene Mutations in Cancer using LSTM, BiLSTM, CNN, GRU, and GloVe [0.0]
  本稿では,LSTM,BiLSTM,CNN,GRU,GloVeを相乗的に組み合わせたハイブリッドアンサンブルモデルを提案する。 提案手法はトレーニング精度80.6%,精度81.6%,リコール80.6%,F1スコア83.1%,平均二乗誤差(MSE)2.596。
  論文  参考訳（メタデータ） (2023-07-24T21:01:46Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• 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)
• Feature reduction for machine learning on molecular features: The GeneScore [58.720142291102135]
  GeneScoreは、バイオメディカルデータの機械学習分析のための機能削減の概念です。 GeneScoreは癌実体の分類において二項行列よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-01-14T10:58:39Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• A New Gene Selection Algorithm using Fuzzy-Rough Set Theory for Tumor Classification [0.0]
  本稿では,ファジィ・ルー集合の識別行列を用いた新しい遺伝子選択手法を提案する。 提案手法は、遺伝子選択結果を改善するために、同一のクラスラベルと異なるクラスラベルを持つインスタンスの類似性を考慮に入れている。 実験により, この手法は最先端の手法に比べて効率が良いことを示した。
  論文  参考訳（メタデータ） (2020-03-26T13:43:25Z)

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。