一种用于肿瘤分类的集成逆空间稀疏表示框架
计算机视觉与模式识别
2019-03-01 v4
摘要
基于微阵列基因表达数据的肿瘤分类是一个活跃且具挑战性的问题。本文提出一种集成肿瘤分类框架，旨在利用现有可用样本中的信息，并聚焦于小样本问题和不平衡分类问题。首先，考虑到基于基因的肿瘤数据具有稀疏性和训练样本少等特点，提出了一种逆空间稀疏表示分类（ISSRC）模型。构建了基于决策信息因子（DIF）的基因选择方法，以增强 ISSRC 的表示能力。值得注意的是，DIF 是从降低临床误诊率和缩小小样本数据维度出发建立的。为进一步提升 ISSRC 的表示能力与分类稳定性，对所选基因子集进行特征学习。该特征学习方法通过互补非负矩阵分解（NMF）与深度学习的优势而构建。在不引起混淆的情况下，结合基因选择与特征学习的 ISSRC 被称为集成 ISSRC，并分析了其稳定性、优化及相应收敛性。在六个公开微阵列基因表达数据集上的大量实验表明，基于集成 ISSRC 的肿瘤分类框架优于经典及最先进的方法。无论是在早期诊断中是否存在肿瘤、是何种肿瘤，还是肿瘤术后是否发生转移，分类准确率、特异性和敏感性均有显著提升。
引用
@article{arxiv.1803.03562,
title = {An Integrated Inverse Space Sparse Representation Framework for Tumor Classification},
author = {Xiaohui Yang and Wenming Wu and Yunmei Chen and Xianqi Li and Juan Zhang and Dan Long and Lijun Yang},
journal= {arXiv preprint arXiv:1803.03562},
year = {2019}
}
备注
40 pages, 18 figures, 13 tables