抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
有効な解析を与えるのに必要なデータの量は,機械学習次元が増加するにつれて指数関数的に増加する。単一実験で,マイクロアレイまたは遺伝子発現プロファイリングは,種々の細胞型または組織における遺伝子発現レベルとパターンを評価し,決定する。DNAマイクロアレイ技術の出現は,単一チップ上の数百の遺伝子発現の同時集中治療を可能にし,癌分類を進めている。分類の最も挑戦的な側面は,多くの情報源から多くの情報ポイントを働いている。提案方法は,抽出した特徴に関する深層学習アルゴリズムを訓練するためにマイクロアレイデータを使用し,次に,分類時間を減らし,精度を上げるために潜在特徴選択技術を使用する。特徴選択に基づく技術は,癌予測と診断のためのマイクロアレイデータを分類する前に重要な遺伝子をピックアップする。これらの方法は,重複と超フルーズ情報を除去することによって分類精度を改善する。特徴選択の人工Beeコロニー(ABC)技術を,骨髄PC遺伝子発現データを用いて本研究で提案した。群知能に基づくABCアルゴリズムを遺伝子同定のために提案した。ABCは,特徴の部分集合を生成する特徴選択のためにここで使用され,そして,このラッパーベースの特徴選択システムを作ることによって,検査者によって作り出されるあらゆる特徴を生成した。この方法の主な目標は,PC性能に決定的である最も少ない遺伝子を選択することであり,また予測精度も増加することである。畳込みニューラルネットワークを用いて,それらを標識することなく腫瘍を分類した。肺,腎臓,および脳癌データセットを,処置の訓練と試験段階で使用した。k-折畳み方法論の交差検証技術を用いて,畳込みニューラルネットワークは96.43%の精度率を有した。提案した研究は,将来の癌検出精度を増強するための遺伝子発現データの前処理と修正のための技術を含む。Copyright 2022 Hatim Z Almarzouki. Translated from English into Japanese by JST.【JST・京大機械翻訳】