自编码器作为深度分类网络权重初始化用于癌症与癌症研究
机器学习
2020-01-16 v1 机器学习
摘要
癌症仍是我们这个时代最具破坏性的疾病之一。自动分类肿瘤样本的一种方法是分析其衍生的分子信息（即其基因表达特征）。在这项工作中，我们旨在区分三种不同类型的癌症：甲状腺、皮肤和胃部癌症。为此，我们比较了用作深度神经网络权重初始化的去噪自编码器（DAE）的性能。尽管我们在本工作中处理了一个不同的领域问题，我们采用了与 Ferreira 等人相同的方法论。在我们的实验中，我们在训练分类模型时评估了两种不同的方法：（a）在预训练 DAE 后固定权重，以及（b）允许对整个分类网络进行微调。此外，我们应用了两种不同的策略将 DAE 嵌入分类网络：（1）仅导入编码层，以及（2）插入完整的自编码器。我们最好的结果是通过 DAE 进行无监督特征学习，随后将其完整导入分类网络，并通过有监督训练进行微调的组合，在识别甲状腺癌样本时取得了 98.04% ± 1.09 的 F1 分数。
引用
@article{arxiv.2001.05253,
title = {Autoencoders as Weight Initialization of Deep Classification Networks for Cancer versus Cancer Studies},
author = {Mafalda Falcao Ferreira and Rui Camacho and Luis F. Teixeira},
journal= {arXiv preprint arXiv:2001.05253},
year = {2020}
}
备注
5 pages, 2 figures (each one with 6 sub-figures), 2 tables. Special Session of Machine Learning in Healthcare Informatics and Medical Biology of the 16th International Conference on Computational Intelligence methods for Bioinformatics and Biostatistics (CIBB2019)