Treballs Fi de Màster> Enginyeria Informàtica i Matemàtiques

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

  • Identification data

    Identifier: TFM:1228
  • Authors:

    Ousuwan, Aphanchanok
  • Others:

    Keywords: 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
    Title in different languages: 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
    Subject areas: Enginyeria informàtica Computer engineering Ingeniería informática
    Confidenciality: No
    Academic year: 2021-2022
    Student: Ousuwan, Aphanchanok
    APS: NO
    Department: Enginyeria Informàtica i Matemàtiques
    Access Rights: info:eu-repo/semantics/openAccess
    Work's public defense date: 2022-02-09
    Abstract: 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.
    Subject: Càncer
    Entity: Universitat Rovira i Virgili (URV)
    Language: en
    Education area(s): Enginyeria de la Seguretat Informàtica i Intel·ligència Artificial
    Title in original language: Refinement of a graph convolutional neural network approach applied to classify cancer types
    Creation date in repository: 2022-11-25
  • Keywords:

    Enginyeria informàtica
    Computer engineering
    Ingeniería informática
    Càncer
  • Documents:

  • Cerca a google

    Search to google scholar