کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8340171 1541197 2017 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
An ensemble predictive modeling framework for breast cancer classification
ترجمه فارسی عنوان
یک چارچوب مدل سازی پیش بینی کننده گروه بندی برای طبقه بندی سرطان پستان
کلمات کلیدی
مدل سازی پیش بینی کننده طبقه بندی گروهی، مشخصات مولکولی،
ترجمه چکیده
تغییرات مولکولی اغلب قبل از معرفی بالینی بیماری ها می تواند جایگزین مفید باشد که بتواند در تصمیم گیری بالینی آگاهانه کمک کند. مطالعات اخیر نشان داده اند که مفید بودن رویکردهای مدل سازی مانند طبقه بندی است که می تواند نتایج بالینی از پروفایل های بیان مولکولی را پیش بینی کند. در حالی که مفید است، اکثریت از این روش به طور ضمنی از تمام نشانگرهای مولکولی به عنوان ویژگی های فرایند طبقه بندی استفاده می کنند، که اغلب منجر به طرح ریزی کم حجم در نمونه هایی می شود که اغلب قابل مقایسه با اندازه نمونه هستند. در این مطالعه، یک نوع از روش طبقه بندی دسته بندی شده اخیرا پیشنهاد شده است برای پیش بینی نمونه های سرطان پستان خوب و بد پیش بینی از پروفایل های بیان مولکولی خود. در مقایسه با طبقه بندی های سنتی تک و دسته ای، رویکرد پیشنهادی با استفاده از چندین طبقه بندی پایه با مجموعه های ویژگی های مختلف حاصل از طرح دو بعدی نمونه ها همراه با استراتژی رای گیری اکثریت برای پیش بینی برچسب های کلاس استفاده می شود. در مقایسه با اجرای قبلی ما، طبقه بندی های پایه در مجموعه ها بر اساس حساسیت حداکثر و حداقل کارایی انتخاب شده با انتخاب تنها کسانی که فاصله متوسط ​​کوزینس پایین دارند انتخاب می شوند. مجموعه مجموعه های به دست آمده به تدریج به عنوان نمودار های نا منظم مدل سازی می شوند. عملکرد چهار الگوریتم طبقه بندی متفاوت، در مقایسه با استفاده از آنها به عنوان یک سیستم طبقه بندی سنتی، در داخل چارچوب گروه پیشنهاد شده بهتر است. اهمیت یک زیرمجموعه ژن هایی با مرکز درجه بالا در انتزاع شبکه در نمونه های پیش آگهی فقیر نیز مورد بحث قرار گرفته است.
موضوعات مرتبط
علوم زیستی و بیوفناوری بیوشیمی، ژنتیک و زیست شناسی مولکولی زیست شیمی
پیش نمایش مقاله
یک چارچوب مدل سازی پیش بینی کننده گروه بندی برای طبقه بندی سرطان پستان
چکیده انگلیسی
Molecular changes often precede clinical presentation of diseases and can be useful surrogates with potential to assist in informed clinical decision making. Recent studies have demonstrated the usefulness of modeling approaches such as classification that can predict the clinical outcomes from molecular expression profiles. While useful, a majority of these approaches implicitly use all molecular markers as features in the classification process often resulting in sparse high-dimensional projection of the samples often comparable to that of the sample size. In this study, a variant of the recently proposed ensemble classification approach is used for predicting good and poor-prognosis breast cancer samples from their molecular expression profiles. In contrast to traditional single and ensemble classifiers, the proposed approach uses multiple base classifiers with varying feature sets obtained from two-dimensional projection of the samples in conjunction with a majority voting strategy for predicting the class labels. In contrast to our earlier implementation, base classifiers in the ensembles are chosen based on maximal sensitivity and minimal redundancy by choosing only those with low average cosine distance. The resulting ensemble sets are subsequently modeled as undirected graphs. Performance of four different classification algorithms is shown to be better within the proposed ensemble framework in contrast to using them as traditional single classifier systems. Significance of a subset of genes with high-degree centrality in the network abstractions across the poor-prognosis samples is also discussed.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Methods - Volume 131, 1 December 2017, Pages 128-134
نویسندگان
, ,