Improving Cancer Classification Using Deep Reinforcement Learning with Convolutional LSTM Networks
Notice bibliographique
Résumé
Gene Expression Microarray (GEM) data is biological data that contains valuable hidden information genes.The gene information extracted from variations of gene expression levels is utilized for disease detection and diagnosis, especially in cancer classification.Since GEM data contains a relatively large sample size with highly redundant and imbalanced data, the accuracy of the cancer classification result is lower.It is difficult to identify suitable features from large GEM datasets.Hence, in this paper, this model utilizes Grey Wolf Optimization (GWO) Model to select the features from the GEM data.Convolutional Neural Network with Long Short Time Memory (ConvLSTM) is developed by utilizing Deep Reinforcement Learning (DRL) to select the appropriate features and parameters for efficient cancer classification.The ConvLSTM model is used to convert low-level features into high-level ones by identifying distributed data representations.DRL optimizes ConvLSTM parameters iteratively which significantly impacts the overall learning process of this prediction model.In DRL, The Double Deep Q-Network (DDQN) model is introduced to minimize training-time overestimations of action values.Finally, the loss function is employed in the Neural Network (NN) of ConvLSTM for accurate cancer detection and diagnosis of cancer.The proposed model is termed Improved ConvLSTM using DDQN (ICL-DDQN).The ICL-DDQN-DDQN achieves accuracy of 92%, 91.67% and 92.22% for breast cancer, leukemia and lung cancer datasets which is 32.69%,57.16%,23.89% higher than 1D-CNN; 21.06%, 43.18%, 16.89% higher than DL-DCGN; 15%, 28.33%, 10.18% higher than DL-SAE and 6.15%, 132.79%, 4.83% higher than DL-AAA on respective datasets.The proposed model effectively detects cancer at its earlier stage, reducing manual inspection and time for doctors and physicians, resulting in more effective treatment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».