文献

J-GLOBAL ID：202102236856507172   整理番号：21A0095480

疾患検出のための深層ニューラルネットワークにおける重み初期化方法としてのオートエンコーダの使用【JST・京大機械翻訳】

Using autoencoders as a weight initialization method on deep neural networks for disease detection

著者 (6件)： Ferreira Mafalda Falcao (Faculty of Engineering, University of Porto, Porto, Portugal) ,  Ferreira Mafalda Falcao (INESC TEC - Institute for Systems and Computer Engineering, Technology and Science, Porto, Portugal) ,  Camacho Rui (Faculty of Engineering, University of Porto, Porto, Portugal) ,  Camacho Rui (INESC TEC - Institute for Systems and Computer Engineering, Technology and Science, Porto, Portugal) ,  Teixeira Luis F. (Faculty of Engineering, University of Porto, Porto, Portugal) ,  Teixeira Luis F. (INESC TEC - Institute for Systems and Computer Engineering, Technology and Science, Porto, Portugal)
資料名： BMC Medical Informatics and Decision Making (Web)  (BMC Medical Informatics and Decision Making (Web))
巻： 20  号： 5  ページ： 1-18  発行年： 2020年 
JST資料番号： U7433A  ISSN： 1472-6947  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 今日,癌は,まだ最も一般的で高死亡率の病気の1つであり,2018年に9百万以上の死亡を合計する。これは,その診断を加速し,その予防を助けるために,癌検出のための機械学習に基づく解決策の応用を研究することを動機づけた。いくつかのアプローチの中で,1つはそれらの遺伝子発現分析を通して腫瘍サンプルを自動的に分類することである。本研究では,RNA-Seqデータセット:甲状腺,皮膚,胃,乳房および肺の5種類の癌を区別することを目的とした。そうするために,以前に記述した方法論を採用し,ここでは,深層ニューラルネットワーク重み初期化技法として使われる3つの異なるオートエンコーダ(AE)の性能を比較した。著者らの実験は,分類モデルを訓練するときの2つの異なる手法の評価,すなわち,AEを事前訓練した後の重みを固定するか,あるいは全ネットワークの微調整を可能にするか,あるいは,符号化層をインポートするだけで,または完全なAEを挿入することによって,AEを分類ネットワークに埋め込むための2つの異なる戦略を評価する。次に,第1戦略における層数,AEs潜在ベクトル次元,およびデータ前処理ステップにおける帰属技法がどのようにネットワークの全体的分類性能に影響するかを研究した。最後に,このパイプラインが一般化する方法を評価する目的で,マラリア薄血液スミアの画像から抽出した特徴および乳房腫瘤細胞核を含む2つの追加データセットに同じ方法論を適用した。また,画像データセットにおける保持試験セットを用いて過剰適合の可能性も捨てた。この方法論はRNA-Seqと画像抽出データの両方に対して良好な総合的結果を達成した。RNA-Seq(甲状腺癌を検出するとき),Malaria,およびWisconsin乳癌データについて,それぞれ99.03,89.95,および98.84の平均F1スコアおよび0.99,0.84,および0.98のMCCを達成したすべてのデータセットに対して確立したベースラインを凌駕した。AEから輸入した最上層の重量を微調整する方法は,全ての経験と考察したデータセットすべてに対して,より高い結果に達した。確立されたベースラインと比較したとき,以前の報告された結果をすべて凌駕した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ベクトル ,  *ネットワーク ,  RNA【核酸】 ,  甲状腺 ,  細胞核 ,  死亡率 ,  腫瘍 ,  マラリア ,  乳房 ,  遺伝子発現 ,  甲状腺腫瘍 ,  乳房腫瘍 ,  機械学習
準シソーラス用語： *ディープニューラルネットワーク ,  *自己符号化器 , 【Automatic Indexing@JST】

著者キーワード (5件)： 癌 ,  分類 ,  深層学習 ,  オートエンコーダ ,  遺伝子発現解析

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (47件)：

• World Health Organization (WHO). Cancer. 2018. https://www.who.int/health-topics/cancer. Accessed on 22 Nov 2019.
• World Health Organization (WHO). Cancer Fact Sheet. 2018. https://www.who.int/en/news-room/fact-sheets/detail/cancer. Accessed on 22 Nov 22 2019.
• BC Cancer. Change in 5-year survival rates by cancer type for adults in BC, 1997 - 2016. 2019. http://www.bccancer.bc.ca/statistics-and-reports-site/Documents/Five_Year_Survival_Change_Report_2016. _20190321.pdf. Accessed on 22 Nov 2019.
• Comput Struct Biotechnol J; Machine learning applications in cancer prognosis and prediction; K Kourou, TP Exarchos, KP Exarchos, MV Karamouzis, DI Fotiadis; 13; 2015; 8-17; 10.1016/j.csbj.2014.11.005; citation_id=CR4
• National Center for Biotechnology Information (NCBI). Gene Expression. 2017. https://www.ncbi.nlm.nih.gov/probe/docs/applexpression/. Accessed on 25 Nov 2019.

タイトルに関連する用語 (4件)： 疾患検出 ,  深層ニューラルネットワーク ,  初期化 ,  オートエンコーダ