ترجمه فارسی مقاله یادگیری متا در پروفایل بیان ژن تقویت شده برای افزایش سرطان ریه

چکیده

Gene expression profiles obtained through DNA microarray have proven successful in providing critical information for cancer detection classifiers. However, the limited number of samples in these datasets poses a challenge to employ complex methodologies such as deep neural networks for sophisticated analysis. To address this “small data” dilemma, Meta-Learning has been introduced as a solution to enhance the optimization of machine learning models by utilizing similar datasets, thereby facilitating a quicker adaptation to target datasets without the requirement of sufficient samples. In this study, we present a meta-learning-based approach for predicting lung cancer from gene expression profiles. We apply this framework to well-established deep learning methodologies and employ four distinct datasets for the meta-learning tasks, where one as the target dataset and the rest as source datasets. Our approach is evaluated against both traditional and deep learning methodologies, and the results show the superior performance of meta-learning on augmented source data compared to the baselines trained on single datasets. Moreover, we conduct the comparative analysis between meta-learning and transfer learning methodologies to highlight the efficiency of the proposed approach in addressing the challenges associated with limited sample sizes. Finally, we incorporate the explainability study to illustrate the distinctiveness of decisions made by meta-learning.

چکیده به فارسی (ترجمه ماشینی)

پروفایل های بیان ژن به دست آمده از طریق ریزآرایی DNA در ارائه اطلاعات مهم برای طبقه بندی کننده های تشخیص سرطان موفق بوده اند.با این حال ، تعداد محدودی از نمونه ها در این مجموعه داده ها برای استفاده از روشهای پیچیده مانند شبکه های عصبی عمیق برای تجزیه و تحلیل پیشرفته ، چالش ایجاد می کند.برای پرداختن به این معضل “داده های کوچک” ، یادگیری متا به عنوان راه حلی برای تقویت بهینه سازی مدل های یادگیری ماشین با استفاده از مجموعه داده های مشابه معرفی شده است ، از این طریق تطبیق سریعتر با مجموعه داده های هدف بدون نیاز به نمونه های کافی را تسهیل می کند.در این مطالعه ، ما یک روش مبتنی بر یادگیری متا برای پیش بینی سرطان ریه از پروفایل بیان ژن ارائه می دهیم.ما این چارچوب را برای روشهای یادگیری عمیق به خوبی تثبیت می کنیم و از چهار مجموعه داده مجزا برای کارهای یادگیری متا استفاده می کنیم ، جایی که یکی به عنوان مجموعه داده هدف و بقیه به عنوان مجموعه داده های منبع.رویکرد ما در برابر هر دو روش یادگیری سنتی و عمیق ارزیابی می شود ، و نتایج نشان می دهد عملکرد برتر یادگیری متا در داده های منبع تقویت شده در مقایسه با پایه های آموزش داده شده در مجموعه داده های منفرد.علاوه بر این ، ما تجزیه و تحلیل مقایسه ای بین روشهای یادگیری متا و انتقال را انجام می دهیم تا کارایی رویکرد پیشنهادی در پرداختن به چالش های مرتبط با اندازه نمونه محدود را برجسته کنیم.سرانجام ، ما مطالعه توضیح را برای نشان دادن تمایز تصمیمات گرفته شده توسط متا یادگیری گنجانیده ایم.