論文の概要: Metastatic Breast Cancer Prognostication Through Multimodal Integration
of Dimensionality Reduction Algorithms and Classification Algorithms
- arxiv url: http://arxiv.org/abs/2309.10324v1
- Date: Tue, 19 Sep 2023 05:12:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 16:14:30.932041
- Title: Metastatic Breast Cancer Prognostication Through Multimodal Integration
of Dimensionality Reduction Algorithms and Classification Algorithms
- Title（参考訳）: 次元化アルゴリズムと分類アルゴリズムの多モード統合による転移性乳癌の予後
- Authors: Bliss Singhal, Fnu Pooja
- Abstract要約: 機械学習(ML)を用いた転移性癌の検出に関する研究
71.14%の最高精度は、PCA、遺伝的アルゴリズム、k-アネレスト近傍アルゴリズムからなるMLパイプラインによって作られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine learning (ML) is a branch of Artificial Intelligence (AI) where
computers analyze data and find patterns in the data. The study focuses on the
detection of metastatic cancer using ML. Metastatic cancer is the point where
the cancer has spread to other parts of the body and is the cause of
approximately 90% of cancer related deaths. Normally, pathologists spend hours
each day to manually classify whether tumors are benign or malignant. This
tedious task contributes to mislabeling metastasis being over 60% of time and
emphasizes the importance to be aware of human error, and other inefficiencies.
ML is a good candidate to improve the correct identification of metastatic
cancer saving thousands of lives and can also improve the speed and efficiency
of the process thereby taking less resources and time. So far, deep learning
methodology of AI has been used in the research to detect cancer. This study is
a novel approach to determine the potential of using preprocessing algorithms
combined with classification algorithms in detecting metastatic cancer. The
study used two preprocessing algorithms: principal component analysis (PCA) and
the genetic algorithm to reduce the dimensionality of the dataset, and then
used three classification algorithms: logistic regression, decision tree
classifier, and k-nearest neighbors to detect metastatic cancer in the
pathology scans. The highest accuracy of 71.14% was produced by the ML pipeline
comprising of PCA, the genetic algorithm, and the k-nearest neighbors
algorithm, suggesting that preprocessing and classification algorithms have
great potential for detecting metastatic cancer.
- Abstract（参考訳）: 機械学習(ML)は、コンピュータがデータを分析し、データのパターンを見つける人工知能(AI)の分野である。
本研究は,MLを用いた転移性癌の検出に焦点を当てた。
転移性がんは、がんが体内の他の部位に拡がっている点であり、がん関連死の約90%の原因である。
通常、病理学者は腫瘍が良性か悪性かを手動で分類するために、毎日数時間を費やしている。
この退屈な作業は、転移の60%以上を誤記することに貢献し、ヒューマンエラーや他の非効率性を認識することの重要性を強調している。
mlは、数千人の命を救う転移性がんの正確な同定を改善する良い候補であり、プロセスの速度と効率も向上し、リソースと時間を削減できる。
これまでのところ、AIの深層学習手法はがんの検出に使われてきた。
本研究は, 転移性癌検出における前処理アルゴリズムと分類アルゴリズムの併用の可能性を決定する新しいアプローチである。
この研究は、主成分分析(PCA)と遺伝的アルゴリズムの2つの前処理アルゴリズムを使用してデータセットの次元を減らし、その後、ロジスティック回帰、決定木分類、k-アネレスト近傍の3つの分類アルゴリズムを使用して、病理検査で転移性癌を検出する。
71.14%の精度は、PCA、遺伝的アルゴリズム、k-アネレスト近傍アルゴリズムからなるMLパイプラインによって作られ、前処理と分類アルゴリズムが転移性癌を検出する大きな可能性を持っていることを示唆している。
関連論文リスト
- Biomarker based Cancer Classification using an Ensemble with Pre-trained Models [2.2436844508175224]
マルチクラス分類タスクに対して,事前学習したハイパーファストモデル,XGBoost,LightGBMを組み合わせた新しいアンサンブルモデルを提案する。
我々はメタトレーニングしたハイパーファストモデルを用いてがんの分類を行い、AUCは0.9929である。
また,事前学習したハイパーファストモデル,XGBoost,LightGBMを多クラス分類タスクに組み合わせた新しいアンサンブルモデルを提案し,精度を漸進的に向上させる(0.9464)。
論文 参考訳（メタデータ） (2024-06-14T14:43:59Z) - Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example [40.3927727959038]
本稿では,画像の高速分類に畳み込みニューラルネットワーク(CNN)を用いる手法を提案する。
病理像を良性群と悪性群に迅速かつ自動分類することができる。
本手法は乳がんの病理像の分類における精度を効果的に向上することを示す。
論文 参考訳（メタデータ） (2024-04-12T07:08:05Z) - 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) - A Combined PCA-MLP Network for Early Breast Cancer Detection [0.0]
我々は、患者が乳がんに直面するかどうかを検出するために、異なる機械学習アルゴリズムを研究した。
われわれの4層PCAネットワークは、BCCDデータセットの平均90.48%で100%の精度を得た。
論文 参考訳（メタデータ） (2022-06-18T06:17:40Z) - Gene selection from microarray expression data: A Multi-objective PSO
with adaptive K-nearest neighborhood [0.0]
本稿では,遺伝子発現データを用いたヒト癌疾患の分類問題について論じる。
マイクロアレイデータセットを解析し,がん疾患を効果的に分類するための新しい手法を提案する。
論文 参考訳（メタデータ） (2022-05-27T04:22:10Z) - 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) - 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) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model
Learning with Application to Genomic Data Integration [0.0]
本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。
モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-08T16:34:58Z) - Learning from Suspected Target: Bootstrapping Performance for Breast
Cancer Detection in Mammography [6.323318523772466]
対象領域の選択と訓練を行う新しいサンプリング手順とともに,新しいトップ可能性損失を導入する。
まず,提案手法をプライベートな高密度マンモグラフィーデータセット上で検証する。
以上の結果から,本手法は偽陽性率を大幅に低減し,質量型癌検出では0.25倍の特異性を示した。
論文 参考訳（メタデータ） (2020-03-01T09:04:24Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。