Jul, 2023

一种基于 LSTM、BiLSTM、CNN、GRU 和 GloVe 的混合机器学习模型用于癌症基因突变分类

PDF
TL;DR本研究提出了一种集成模型，结合了 LSTM、BiLSTM、CNN、GRU 和 GloVe，用于对基因突变进行分类，在 Kaggle 的个性化医学中使用《重定义癌症治疗》数据集。结果与 BERT、Electra、Roberta、XLNet、Distilbert 以及它们的 LSTM 集成进行了比较。我们的模型在准确性、精确度、召回率、F1 分数和均方误差等方面胜过了所有其他模型。令人惊讶的是，它还需要较少的训练时间，从而实现了性能和效率的完美结合。本研究展示了集成模型在基因突变分类等困难任务中的实用性。
发现论文，激发创造
  • 问题分类的集成方法：集成 Electra Transformer、GloVe 和 LSTM

    本文介绍了一种新颖的集成方法，使用先进模型 Electra、GloVe 和 LSTM 进行问题分类。该提出的模型在 TREC 数据集上进行训练和评估，这是一个问题分类任务的公认基准。集成模型综合了 Electra（一种基于 transformer 的语言理解模型）、GloVe（一种全局词向量表示方法）和 LSTM（一种循环神经网络变种），为问题分类提供了稳健高效的解决方案。大量实验比较了所提出的集成方法与其他尖端模型（如 BERT、RoBERTa 和 DistilBERT）的性能，结果表明在所有评估指标上，集成模型的表现优于这些模型，在测试集上达到了 0.8 的准确度。这些发现凸显了集成方法在增强问题分类任务性能方面的有效性，促使进一步探索在自然语言处理中的集成方法。

    Aug, 2023

  • 比较 CNN 和 LSTM 字符级嵌入在 BiLSTM-CRF 模型中用于化学和疾病命名实体识别

    比较 LSTM 和 CNN 基于字符级别的词嵌入在 BiLSTM-CRF 模型中用于化学和疾病实体识别任务的效果。实验结果表明，使用任意一种字符级别嵌入方式都能使模型达到最先进的性能，但是基于 CNN 的字符级别嵌入模型具有计算性能优势，增加训练时间 25％，而基于 LSTM 的字符级别嵌入模型需要的训练时间则超过两倍。

    Aug, 2018

  • 使用 GloVe 和神经网络模型进行多标签文本分类

    多标签文本分类面临诸多挑战，本文提出了一种基于 GloVe 模型和 CNN-BiLSTM 网络的词袋模型方法，该方法在测试集上达到了 87.26% 的准确率和 0.8737 的 F1 分数，展现出了良好的结果。

    Oct, 2023

  • 基于基因表达的卷积神经网络在癌症类型预测中的应用

    本研究使用卷积神经网络 (CNN) 模型对 10,340 个来自 33 种不同癌症类型和 731 个正常组织样品进行分类，并在 1D-CNN 模型中确定了 2,090 个癌症标记物，其中包括 GATA3 和 ESR1 等已知标记，并对乳腺癌亚型进行了预测，取得了 88.42% 的平均准确率。

    Jun, 2019

  • 深度门控循环和卷积网络混合模型用于一元时间序列分类

    本文旨在阐述使用 GRU 替换 LSTM 来构造 GRU-FCN 的时间序列分类方法，在多个时间序列数据集上达到了最佳的分类效果。同时，由于 GRU 使用的是较简单的结构，它具有较少的训练参数、更短的训练时间和更简单的硬件实现，相较于基于 LSTM 的模型而言更加优越。

    Dec, 2018

  • 利用机器学习和自然语言处理来审查和分类癌症易感基因相关医学文献

    使用支持向量机和卷积神经网络两种机器学习模型，对文献进行分类并成功地实现对遗传突变与癌症风险及种群遗传变异的相关性进行预测，并提供新的临床决策支持工具。

    Apr, 2019

  • 基于 Transformer 与卷积神经网络结合的集成方法用于检测人工生成文本

    我们的研究通过将 Sci-BERT、DeBERTa 和 XLNet 等变形器模型与卷积神经网络 (CNNs) 进行集成，构建了一些分类模型，实验证明考虑的集成架构在分类方面的性能超过了单个变形器模型。此外，所提出的 SciBERT-CNN 集成模型在 ALTA 共享任务 2023 数据上产生了 98.36% 的 F1-score。

    Oct, 2023

  • 基因转换器：用于基于基因表达的肺癌亚型分类的变压器

    本文介绍了一种利用多头自注意力机制的深度学习方法 Gene Transformer，用于对基因表达数据进行肺癌亚型分类，效果比传统算法更好，此方法有望在计算生物学中得到更好的应用。

    Aug, 2021

  • 一种用于文本分类的 C-LSTM 神经网络

    本文提出 C-LSTM 模型，结合了 CNN 和 RNN 的优点，用于句子表示和文本分类，实验结果表明 C-LSTM 比 CNN 和 LSTM 表现更好，可在这些任务中取得出色的性能。

    Nov, 2015

  • 基于生物标志物的癌症分类，使用经过预训练模型的集成

    通过非侵入式方法，液体活检能够检测和监测特定生物标志物，提高医疗干预的精确性和效能，利用超快模型进行癌症分类，并结合超快模型、XGBoost 和 LightGBM 提出了一种新的集成模型用于多类别分类任务，仅使用 500 个主成分特征即可实现较高的准确性。

    Jun, 2024