- Многоклассовая архитектура классификации рака кожи на основе глубокой сверточной нейронной сети (arXiv)
Автор: Мст Шапна Актер, Хоссейн Шахриар, Света Снеха, Альфредо Куццокреа.
Резюме: Обнаружение рака кожи является сложной задачей, поскольку различные типы поражений кожи имеют большое сходство. В этой статье предлагается компьютерный подход к глубокому обучению, который позволит точно идентифицировать различные виды поражений кожи. Подходы к глубокому обучению могут очень точно обнаруживать рак кожи, поскольку модели изучают каждый пиксель изображения. Иногда людей может сбить с толку сходство поражений кожи, которое мы можем свести к минимуму, задействовав машину. Однако не все подходы к глубокому обучению могут давать более точные прогнозы. У некоторых моделей глубокого обучения есть ограничения, из-за которых модель дает ложноположительный результат. Мы представили несколько моделей глубокого обучения для классификации поражений кожи, чтобы отличать рак кожи от различных типов поражений кожи. Перед классификацией поражений кожи используются методы предварительной обработки данных и аугментации данных. Наконец, модель сверточной нейронной сети (CNN) и шесть моделей обучения передачи, таких как Resnet-50, VGG-16, Densenet, Mobilenet, Inceptionv3 и Xception, применяются к общедоступному эталонному набору данных HAM10000 для классифицировать семь классов поражений кожи и провести сравнительный анализ. Модели будут обнаруживать рак кожи, отличая раковые клетки от нераковых. Производительность моделей измеряется с использованием показателей производительности, таких как точность, полнота, оценка f1 и точность. Мы получаем точность 90, 88, 88, 87, 82 и 77 процентов для inceptionv3, Xception, Densenet, Mobilenet, Resnet, CNN и VGG16 соответственно. Кроме того, мы разработали пять различных моделей наложения, таких как inceptionv3-inceptionv3, Densenet-mobilenet, inceptionv3-Xception, Resnet50-Vgg16 и stack-six, для классификации поражений кожи и обнаружили, что модели наложения работают плохо. Мы достигаем наивысшей точности 78 процентов среди всех моделей стекирования.
2. LRBmat: новый метод микробного взаимодействия кишечника и определения индивидуальной гетерогенности для колоректального рака (arXiv)
Автор: Шань Тан, Шаньцзюнь Мао, Янъян Чен, Фалун Тан, Лихуа Дуань, Цун Пянь, Сянсян Цзэн.
Резюме: Считается, что многие заболевания тесно связаны с изменениями в микробном сообществе кишечника, включая колоректальный рак (CRC), который является одним из наиболее распространенных раков в мир. Диагностическая классификация и этиологический анализ CRC являются двумя важными вопросами, заслуживающими внимания. Многие методы используют микробиоту кишечника для ее решения, но немногие из них одновременно учитывают сложные взаимодействия и индивидуальную неоднородность микробиоты кишечника, которые являются двумя общими и важными проблемами в генетике и микробиологии кишечника, особенно в многомерных случаях. В этой статье для решения вышеуказанной проблемы предлагается новый метод с бинарной матрицей, основанный на логистической регрессии (LRBmat). Бинарная матрица может непосредственно ослабить или избежать влияния неоднородности, а также содержать информацию о кишечных микробных взаимодействиях любого порядка. Более того, LRBmat обладает мощным обобщением, его можно комбинировать с любым машинным методом обучения и улучшать их. Анализ реальных данных CRC подтверждает предложенный метод, который имеет лучшую производительность классификации по сравнению с современным уровнем техники. Кроме того, правила ассоциации, извлеченные из бинарной матрицы реальных данных, хорошо согласуются с биологическими свойствами и существующей литературой, что полезно для этиологического анализа CRC. Исходные коды LRBmat доступны по адресу https://github.com/tsnm1/LRBma.
