آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,184 |
| تعداد مقالات | 14,545 |
| تعداد مشاهده مقاله | 49,933,950 |
| تعداد دریافت فایل اصل مقاله | 13,152,979 |
ارائه مدلی برای تشخیص زیرگروه‌های سرطان مغز مبتنی بر جنگل تصادفی عمیق و ویژگیهای تقویت شده با استفاده از داده‌های ژنی | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 06 آبان 1402 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2023.17046 | ||
| نویسندگان | ||
| فهیمه فلاح1؛ فاطمه زمانی* 2 | ||
| 1دانشکده مهندسی برق و کامپیوتر، دانشگاه نوشیروانی، بابل، ایران | ||
| 2دانشگاه صنعتی نوشیروانی بابل | ||
| چکیده | ||
| تشخیص نوع بیماری سرطان که به ان زیرگروه گفته می‌شود در تعیین روند درمان حایز اهمیت فراوانی است. در این مقاله، هدف تشخیص چهار زیرگروه سرطان مغز می‌باشد. تشخیص زیرگروه بیماری را می توان در قالب یک مسئله طبقه‌بندی مدل کرد. با توجه به پیشرفت‌های چشمگیر صورت گرفته در علم بیوانفورماتیک در استخراج اطلاعات ژنتیکی از بدن انسان، اخیرا از این اطلاعات در توصیف بیماران در یادگیری ماشین استفاده زیادی می‌شود. در این مقاله از سه نوع داده ژنی شامل mRNA، miRNA و متیلاسیون DNA استفاده شده است. ترکیب منابع مختلف اطالاعاتی در قالب داده‌های چندوجهی به جای استفاده از یک منبع اطلاعاتی واحد، به افزایش دقت طبقه‌بندی اطلاعات منجر می‌شود. برای استخراج ویژگیهای مطلوب‌تر از داده‌های ژنی، از خودرمزگذار استفاده شده است بطوریکه ویژگی های استخراج شده از خودرمزگذار، به‌عنوان تقویت کننده در کنار داده‌های ژنی اولیه قرار می‌گیرند. همچنین جنگل تصادفی به‌عنوان یک طبقه‌بندی کننده در طبقه‌بندی بیماران بر مبنای داده‌های ژنی عملکرد مطلوبی داشته است. با گسترش روش‌های عمیق در شبکه‌های عصبی و عملکرد مطلوب آنها، نسخه‌ای از جنگل تصادفی عمیق با ساختار لایه‌ای ارائه شده است. جنگل تصادفی عمیق دارای این مزیت است که در کنار عملکرد مطلوب در طبقه‌بندی اطلاعات، تعداد پارامتر محدودی داشته و پیچیدگی محاسباتی آن پایین‌تر است. در این مقاله از جنگل تصادفی عمیق برای تعیین زیرگروه نوعی از سرطان مغز استفاده شده است. نتایج آزمایش‌ها نشان‌دهنده عملکرد مطلوب روش پیشنهادی است. | ||
| کلیدواژه‌ها | ||
| بیوانفورماتیک؛ طبقه بندی اطلاعات؛ خودرمزگذار؛ جنگل تصادفی عمیق؛ استخراج ویژگی؛ داده‌های ژنی؛ GBM؛ TCGA | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 34 |
||