Treballs Fi de Màster> Enginyeria Informàtica i Matemàtiques

Refinement of a graph convolutional neural network approach applied to classify cancer types

  • Dades identificatives

    Identificador: TFM:1228
    Autors:
    Ousuwan, Aphanchanok
  • Altres:

    Paraules clau: xarxes neuronals convolucionals de grafs, classificació del càncer, aprenentatge profund graph convolutional neural networks, cancer classification, deep learning redes neuronales convolucionales de grafos, clasificación del cáncer, aprendizaje profundo
    Títol en diferents idiomes: Refinament d'un enfocament de xarxa neuronal convolucional de grafs aplicat a la clasificació de tipus de càncer Refinement of a graph convolutional neural network approach applied to classify cancer types Refinamiento de un enfoque de red neuronal convolucional de grafos aplicado a la clasificación de tipos de cáncer
    Àrees temàtiques: Enginyeria informàtica Computer engineering Ingeniería informática
    Confidencialitat: No
    Curs acadèmic: 2021-2022
    Estudiant: Ousuwan, Aphanchanok
    Aprenentatge Servei: NO
    Departament: Enginyeria Informàtica i Matemàtiques
    Drets d'accés: info:eu-repo/semantics/openAccess
    Data de la defensa del treball: 2022-02-09
    Resum: L'objectiu de la tesi del màster és estudiar i refinar l'arquitectura model d'un enfocament prèviament presentat per millorar la precisió de la predicció en cada tipus de càncer. Aquest treball té quatre models GCNN que són PPI, PPIS, COEX i COEXS, utilitzant dades de TCGA de càncer i teixit normal com a entrada depenent de l'expressió gènica. Després del refinament, l'exactitud de predicció de quatre models GCNN va aconseguir el 89-96% excepcional entre 34 classes i va reduir els errors predictius en el model original de classes de càncer que presenten problemes. The objective of the master’s thesis is to study and refine the model architecture of a previously presented approach for improving the prediction accuracy in each cancer types. This work has four GCNN models which are PPI, PPIS, COEX and COEXS, using data from TCGA of cancer and normal tissue as the input depending on the gene expression. After refinement, the prediction accuracy of four GCNN models achieved the outstanding 89-96% among 34 classes and reduced predictive errors in original model of cancer classes that present problems.
    Matèria: Càncer
    Entitat: Universitat Rovira i Virgili (URV)
    Idioma: en
    Ensenyament(s): Enginyeria de la Seguretat Informàtica i Intel·ligència Artificial
    Títol en la llengua original: Refinement of a graph convolutional neural network approach applied to classify cancer types
    Data d'alta al repositori: 2022-11-25
  • Paraules clau:

    Enginyeria informàtica
    Computer engineering
    Ingeniería informática
    Càncer
  • Documents:

  • Cerca a google

    Search to google scholar