Constructing Long Short-Term Memory Networks to Predict Ulcerative Colitis Progression from Longitudinal Gut Microbiome Profiles
Notice bibliographique
Résumé
Introduction & Objective: Ulcerative colitis is an intestinal disorder with an erratic progression in which the patients suffer from capricious remissions and changeful severities. Lacking prognosis to the UC progression can lead to irrational treatments that adversely affect the patients’ quality of life. Existing studies have stated a connection between gut microbiomes and UC progression. We aim to construct Long Short-Term Memory (LSTM) networks to predict UC progression (remission & severity) from longitudinal gut microbiome data. Methods: Using one-step and two-step modelling strategies, we develop a standard LSTM network, an encoder-decoder LSTM network, a convolutional LSTM network, and several benchmarking classifiers such as random forests. For high-dimensional data, we also implement auto-encoder to select variables in addition to baseline procedures like principal component analysis. We train each model using a longitudinal microbiome data, and validate them via a 10-round set splitting approach. Results: Each proposed model shows the potential to predict UC progression, but they do not reach an optimal level for medical utilizations. The encoder-decoder LSTM demonstrates superiority over the other classifiers while the auto-encoder outperformed the baseline variable selectors. Conclusion: We support the capacity of Long Short-Term Memory (LSTM) networks to predict UC progression from longitudinal microbiome data, and verify the strength of autoencoder networks in selecting features from high dimensional data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».