بهبود دقت طبقه بندی بافت های سرطانی با بهره گیری از تئوری گراف
محل انتشار: اولین کنفرانس ملی هوش مصنوعی و مهندسی نرم افزار
سال انتشار: 1402
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 121
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
AISOFT01_002
تاریخ نمایه سازی: 28 بهمن 1402
چکیده مقاله:
پردازش داده های ریزآرایه یکی از مهم ترین موضوعات در زیست شناسی مولکولی برای تشخیص سرطان است. پیشرفت فناوری در دهه اخیر، رشد داده های ریزآرایه ای با ابعاد بالا را افزایش داده است. بنابراین، روش های داده کاوی باید داده های ریزآرایه با نمونه هایی متشکل از هزاران ژن را طبقه بندی کنند، که ریسک موفقیت را افزایش می دهد. از سوی دیگر، بسیاری از این ژن ها غیرمرتبط و زائد هستند. بنابراین، تعیین ژن های دربردارنده اطلاعت و مفاهیم مرتبط غیر تکراری به یک گام اساسی و چالش تبدیل شده است. ما یک راهکار جدید چند متغیره بر پایه گراف که می تواند تعاملات و همبستگی های مستقیم و غیرمستقیم میان ویژگی ها را در نظر بگیرد، برای حل این مشکل فراهم آوردیم. این مقاله، روش پیشنهادی ما را که یک الگوریتم انتخاب ژن بدون ناظر چند متغیره مستقل از الگوریتم های یادگیری است را تشریح می کند. تاثیر ژن های انتخاب شده با این روش بر عملکرد مدل های طبقه بندی کننده بر روی چند دیتاست معروف نشان دهنده بهبود تا ۲۰ درصدی دقت در مقایسه با کارهای مشابه می باشد.
کلیدواژه ها:
نویسندگان
سیدمجتبی سیف
گروه کامپیوتر، واحدصفاشهر،دانشگاه آزاد اسلامی، صفاشهر، ایران
علی حمزه
بخش علوم و مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه شیراز، شیراز، ایران