KaydedilenlerDerginizi ekleyin

Dergiler / Zeki Sistemler Teori ve Uygulamaları Dergisi / 2021 / Cilt: 4 - Sayı: 2

Gen İfade Verilerinde Konvolusyonel Sinir Ağı Kullanılarak Tümör Örneklerinin Tahmini

Convolutional Neural Network Approach to Predict Tumor Samples Using Gene Expression Data

Büşra Nur DARENDELİ
Alper YILMAZ
Sayfa
136–141
Yayın Tarihi
2021-09-23
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuç olarak çalışmamız, derin öğrenme yaklaşımının ve biyolojik verilerin tümör örneklerinin tanısında büyük bir potansiyele sahip olduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Kanser her yıl milyonlarca insanı tehdit eden, erken teşhisi hala mümkün olmayan yaygın bir hastalıktır.
📊
Temel Bulgular & Veri:Erken teşhis, kanserle baş etmenin ve ölüm oranını düşürmenin en önemli yollarından biridir.
💡
Sonuç & Katkı:Sonuç olarak çalışmamız, derin öğrenme yaklaşımının ve biyolojik verilerin tümör örneklerinin tanısında büyük bir potansiyele sahip olduğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:CNN · Gen İfadesi · Kanser

Özet

Kanser her yıl milyonlarca insanı tehdit eden, erken teşhisi hala mümkün olmayan yaygın bir hastalıktır. Erken teşhis, kanserle baş etmenin ve ölüm oranını düşürmenin en önemli yollarından biridir. Derin öğrenme yaklaşımlarındaki gelişmeler ve biyolojik verilerdeki artış, kanserin teşhisini ve karakterizasyonunu kolaylaştırabilecek uygulamalar sunmaktadır. Bu çalışmada, gen ifade verilerini kullanarak derin öğrenme yaklaşımı ile kanser teşhisine yeni bir bakış açısı sağlamayı amaçladık. 30 farklı kanser çeşidine ait RNA-Seq verisi Kanser Genom Atlası (TCGA) adlı kaynaktan normal dokuların RNA-Seq verileri GTEx adlı kaynaktan temin edilip model eğitiminde kullanılmıştır. Gen ifade verileri RGB formatına dönüştürülüp Konvolusyonel Sinir Ağı (CNN) eğitimi için kullanıldı. Eğitilen model, gen ifade verilerine dayanarak kanseri %97 doğrulukla tahmin edebilmektedir. Sonuç olarak çalışmamız, derin öğrenme yaklaşımının ve biyolojik verilerin tümör örneklerinin tanısında büyük bir potansiyele sahip olduğunu göstermektedir.

Abstract

Cancer is threatening millions of people each year and its early diagnosis is still a challenging task. Early diagnosis is one of the major ways to tackle the disease and lower the mortality rate. Advancements in deep learning approaches and the availability of biological data offer applications that can facilitate the diagnosis and characterization of cancer. Here, we aimed to provide a new perspective of cancer diagnosis using a deep learning approach on gene expression data. In this study, RNA-Seq data of approximately 30 different types of cancer patients the Cancer Genome Atlas (TCGA) study, and normal tissue RNA-Seq data from GTEx were used. The input data for the training was transformed to RGB format and the training was carried out with a Convolutional Neural Network (CNN). The trained algorithm is able to predict cancer with 97% accuracy, using gene expression data. In conclusion, our study shows that the deep learning approach and biological data have a huge potential in the diagnosis and identification of tumor samples.

🔖

Bu Makaleye Atıf Yap

DARENDELİ, B. N., YILMAZ, A. (2021). Gen İfade Verilerinde Konvolusyonel Sinir Ağı Kullanılarak Tümör Örneklerinin Tahmini. Zeki Sistemler Teori ve Uygulamaları Dergisi, Cilt: 4 - Sayı: 2, 136–141. https://ajindex.com/articles/882942

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Ahmed, O., & Brifcani, A. (2019, April). Gene Expression Classification Based on Deep Learning. In 2019 4th Scientific International Conference Najaf (SICN) (pp. 145-149).
  2. IEEE. Ahn, T., Goo, T., Lee, C. H., Kim, S., Han, K., Park, S., & Park, T., 2018. Deep learning-based identification of cancer or normal tissue using gene expression data. In 2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) (pp. 1748-1752).
  3. IEEE. Arvaniti, E.,Fricker, K.S.,Moret, M.,Rupp, N.,Hermanns, T.,Fankhauser, C.,Wey, N., Wild, P.J.,Rueschoff, J.H. and Claassen, M., 2018. Automated Gleason grading of prostate cancer tissue microarras via deep learning. Scientific reports,8(1), pp.1-11.
  4. Bejnordi, B.E., Mullooly, M., Pfeiffer, R.M., Fan, S.,Vacek, P.M., Weaver, D.L., Herschorn, S., Brinton, L.A., van Ginneken, B., Karssemeijer, N. and Beck, A.H., 2018. Using deep convolutional neural networks to identify and classify tumor associated stroma in diagnostic breast biopsies. Modern Pathology, 31(10), pp.1502-1512.
  5. Binder, A., Bockmayr, M., Hägele, M., Wienert, S., Heim, D., Hellweg, K.,. & Klauschen, F. (2021). Morphological and molecular breast cancer profiling through explainable machine learning. Nature Machine Intelligence, 1-12.
  6. Couture, H.D., Williams, L.A., Geradts, J., Nyante, S.J., Butler, E.N., Marron, J.S., Perou, C.M., Troester, M.A. and Niethammer, M., 2018. Image analysis with deep learning to predict breast cancer grade, Erstatus, histologic subtype, and intrinsic subtype. NPJ breast cancer, 4(1), pp.1-8.
  7. Danaee, P., Ghaeini, R., & Hendrix, D. A. (2017). A deep learning approach for cancer detection and relevant gene identification. In Pacific symposium on biocomputing 2017 (pp. 219-229).
  8. Dolezal, J.M., Trzcinska, A., Liao, C.Y., Kochanny, S., Blair, E., Agrawal, N., Keutgen, X.M., Angelos, P., Cipriani, N.A. and Pearson, A.T., 2020. Deep learning prediction of BRAF- RAS gene expression signature identifies noninvasive follicular thyroid neoplasms with papillary-like nuclear features. Modern Pathology, pp.1-13.
  9. Duran-Lopez, L., Dominguez-Morales, J.P., Conde-Martin, A.F., Vicente-Diaz, S. and Linares- Barranco, A., 2020. PROMETEO: A CNN-Based Computer-Aided Diagnosis System for WSI Prostate Cancer Detection. IEEE Access, 8, pp.128613-128628.
  10. Elbashir, M. K., Ezz, M., Mohammed, M., & Saloum, S. S. (2019). Lightweight convolutional neural network for breast cancer classification using RNA-seq gene expression data. IEEE Access, 7, 185338-185348.