Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: spektrometria masowa typu SELDI-TOF

Sortuj według:

Ogranicz wyniki do:

Training set size in ensemble feature selection for clinical proteomics

Arodź T.

Bio-Algorithms and Med-Systems

2005

Vol. 1, no. 1/2

107--110

Spektrometria masowa typu SELDI-TOF została w ostatnich latach zastosowana do diagnostyki nowotworów. W tym celu wykorzystywane są próbki płynów ustrojowych, które poddawane są analizie proteomicznej z wykorzystaniem spektrometru masowego. W efekcie uzyskiwany jest wielowymiarowy opis pobranej próbki. Dla zbioru pacjentów z oraz bez nowotworu możliwe jest stworzenie metody diagnostycznej opartej na metodach uczenia maszynowego. W niniejszym artykule analizujemy efekt wielkości zbioru trenującego używanego do uczenia klasyfikatora rozróżniającego próbki krwi od pacjentów zdrowych i z obecnym nowotworem jajnika. Użyty klasyfikator bazuje na metodzie zespołowej typu boosting używającej reguły decyzyjnej Fishera. Klasyfikator ten został rozszerzony o metodę selekcji cech. W artykule wykazano, iż dla odpowiedniego typu mikromacierzy białkowej użytej w metodzie spektrometrycznej SELDI-TOF, zbiór treningowy zawierający ok. 30-40 próbek pozwala na stworzenie klasyfikatora wykazującego 95%-ową dokładność klasyfikacji. Zintegrowana z klasyfikatorem metoda selekcji cech pozwala na skuteczną klasyfikację przy użyciu tylko 2 cech z widma spektrometrycznego.

The SELDI-TOF mass spectrometry has been recently shown to be useful in diagnosis of a range of cancer types. In the procedure, samples of body fluids are subject to proteomic analysis using mass spectrometry, resulting in highly dimensional fingerprints. The fingerprints gathered from a set of cancer and control patients allow for creation of a machine learning-based method for diagnosing cancer. In this paper, we analyse the effects of the number of examples in the training set used for constructing a classifier distinguishing blood samples from normal and ovarian cancer patients. We employ a version of our FLD boosting classifier, extended to include a feature selection algorithm within a single machine-learning framework. We show that when a particular type of protein chip is used in SELDI-TOF-MS analysis, the training set containing samples from only ca. 30-40 patients is suitable for creating a classifier exhibiting ca. 95% accuracy, sensitivity and specificity to ovarian cancer. The feature selection procedure incorporated into the classifier reduces to 2 the number of mass/charge values used for discrimination.