Published January 1, 2022
| Version v1
Publication
Open
A Fast Accurate Deep Learning Framework for Prediction of All Cancer Types
- 1. Mansoura University
- 2. Kafrelsheikh University
Description
The mortality rate of cancer is among the highest in the world.One death occurs every six in the world.Both machine learning (ML) and deep learning (DL) have been used by scientists to predict cancer.In addition, DL can analyze a huge amount of healthcare data in a short period of time to study the chances of recurrence, progression and patient survival.An accurate and quick framework for improving cancer prognosis prediction is presented in this study.A fast and accurate optimizer is necessary to predict both critical and non-critical cases, so a modified binary version of the Whale Optimization Algorithm (WOA) is proposed.Based on sigmoid transfer functions, this version identifies the subset of features that is minimally optimal while maximizing classification accuracy.This framework is composed of an optimized parameter Long-Short Term Memory (LSTM) Neural Network, with the input being the optimal set of feature selection layer.The proposed framework performs better than previous frameworks having an average accuracy of 100% and an execution time of 4113 seconds.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
معدل وفيات السرطان هو من بين أعلى المعدلات في العالم. تحدث حالة وفاة واحدة كل ست حالات في العالم. وقد استخدم العلماء كل من التعلم الآلي (ML) والتعلم العميق (DL) للتنبؤ بالسرطان. بالإضافة إلى ذلك، يمكن لـ DL تحليل كمية هائلة من بيانات الرعاية الصحية في فترة زمنية قصيرة لدراسة فرص التكرار والتقدم وبقاء المريض. يتم تقديم إطار دقيق وسريع لتحسين التنبؤ بتنبؤ السرطان في هذه الدراسة. من الضروري وجود محسن سريع ودقيق للتنبؤ بالحالات الحرجة وغير الحرجة على حد سواء، لذلك يتم اقتراح نسخة ثنائية معدلة من خوارزمية تحسين الحيتان (WOA). بناءً على وظائف النقل السيني، يحدد هذا الإصدار المجموعة الفرعية من الميزات المثلى إلى الحد الأدنى مع زيادة دقة التصنيف إلى أقصى حد. يتكون هذا الإطار من معلمة محسنة للذاكرة طويلة المدى (LSTM)، مع كون المدخلات هي المجموعة المثلى لطبقة الميزات. يعمل الإطار المقترح بشكل أفضل من الأطر السابقة التي تتمتع بدقة متوسطة تبلغ 100 ٪ ووقت تنفيذ يبلغ 4113 ثانية.Translated Description (French)
Le taux de mortalité par cancer est parmi les plus élevés au monde. Un décès survient tous les six dans le monde. L'apprentissage automatique (ML) et l'apprentissage profond (DL) ont été utilisés par les scientifiques pour prédire le cancer. En outre, DL peut analyser une énorme quantité de données de soins de santé en peu de temps pour étudier les chances de récurrence, de progression et de survie du patient. Un cadre précis et rapide pour améliorer la prédiction du pronostic du cancer est présenté dans cette étude. Un optimiseur rapide et précis est nécessaire pour prédire les cas critiques et non critiques, de sorte qu'une version binaire modifiée de l'algorithme d'optimisation Whale (WOA) est proposée. Basée sur des fonctions de transfert sigmoïde, cette version identifie le sous-ensemble de caractéristiques qui est minimalement optimal tout en maximisant la précision de la classification. Ce cadre est composé d'un paramètre optimisé Mémoire à long terme (LSTM) Réseau neuronal, avec l'entrée étant l'ensemble optimal de la couche de sélection de caractéristiques. Le cadre proposé fonctionne mieux que les cadres précédents ayant une précision moyenne de 100 % et un temps d'exécution de 4113 secondes.Translated Description (Spanish)
La tasa de mortalidad por cáncer se encuentra entre las más altas del mundo. Una muerte ocurre cada seis en el mundo. Tanto el aprendizaje automático (ML) como el aprendizaje profundo (DL) han sido utilizados por los científicos para predecir el cáncer. Además, el DL puede analizar una gran cantidad de datos de atención médica en un corto período de tiempo para estudiar las posibilidades de recurrencia, progresión y supervivencia del paciente. En este estudio se presenta un marco preciso y rápido para mejorar la predicción del pronóstico del cáncer. Es necesario un optimizador rápido y preciso para predecir casos críticos y no críticos, por lo que se propone una versión binaria modificada del algoritmo de optimización de ballenas (WOA). Basándose en las funciones de transferencia sigmoide, esta versión identifica el subconjunto de características que es mínimamente óptimo al tiempo que maximiza la precisión de la clasificación. Este marco se compone de una red neuronal de memoria a largo plazo (LSTM) de parámetros optimizados, siendo la entrada el conjunto óptimo de la capa de selección de características. El marco propuesto funciona mejor que los marcos anteriores con una precisión promedio del 100% y un tiempo de ejecución de 4113 segundos.Files
09951602.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:e57d73af1103b51e8f61ac8aa51bc5d5
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- إطار تعلم عميق سريع ودقيق للتنبؤ بجميع أنواع السرطان
- Translated title (French)
- Un cadre d'apprentissage en profondeur rapide et précis pour la prédiction de tous les types de cancer
- Translated title (Spanish)
- Un marco de aprendizaje profundo rápido y preciso para la predicción de todos los tipos de cáncer
Identifiers
- Other
- https://openalex.org/W4313046406
- DOI
- 10.1109/access.2022.3222365
References
- https://openalex.org/W1444952417
- https://openalex.org/W1970204203
- https://openalex.org/W1976744965
- https://openalex.org/W1989540221
- https://openalex.org/W2036973403
- https://openalex.org/W2076275472
- https://openalex.org/W2102184039
- https://openalex.org/W2102942330
- https://openalex.org/W2108899349
- https://openalex.org/W2114587116
- https://openalex.org/W2120680606
- https://openalex.org/W2144430639
- https://openalex.org/W2152195021
- https://openalex.org/W2290883490
- https://openalex.org/W2577222694
- https://openalex.org/W2612473079
- https://openalex.org/W2783674487
- https://openalex.org/W2786146747
- https://openalex.org/W2794579758
- https://openalex.org/W2798978457
- https://openalex.org/W2889542378
- https://openalex.org/W2891288832
- https://openalex.org/W2901840819
- https://openalex.org/W2911188335
- https://openalex.org/W3006438498
- https://openalex.org/W3016058916
- https://openalex.org/W3029397397
- https://openalex.org/W3035533770
- https://openalex.org/W3046267124
- https://openalex.org/W3092076154
- https://openalex.org/W3092315918
- https://openalex.org/W3093963267
- https://openalex.org/W3111955757
- https://openalex.org/W3128646645
- https://openalex.org/W3133511849
- https://openalex.org/W3142620583
- https://openalex.org/W3155733323
- https://openalex.org/W3163316442
- https://openalex.org/W3181851575
- https://openalex.org/W3209221832
- https://openalex.org/W3212456559
- https://openalex.org/W4226277510
- https://openalex.org/W4231109964
- https://openalex.org/W4295540096