Combining Gene Expression and Clinical Data to Increase Performance of Prognostic Breast Cancer Models

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F12%3APU101906" target="_blank" >RIV/00216305:26230/12:PU101906 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Combining Gene Expression and Clinical Data to Increase Performance of Prognostic Breast Cancer Models

Popis výsledku v původním jazyce

Microarray class prediction is an important application of gene expression data in biomedical research. Combining gene expression data with other relevant data may add valuable information and can generate more accurate prognostic predictions. In this paper, we combine gene expression data with clinical data. We use logistic regression models that can be built through various regularized techniques. Generalized linear models enables combining of these models with different structure of data. Our two suggested approaches are evaluated with publicly available breast cancer data sets. Based on the results, our approaches have a positive effect on prediction performances and are not computationally intensive.

Název v anglickém jazyce

Combining Gene Expression and Clinical Data to Increase Performance of Prognostic Breast Cancer Models

Popis výsledku anglicky

Microarray class prediction is an important application of gene expression data in biomedical research. Combining gene expression data with other relevant data may add valuable information and can generate more accurate prognostic predictions. In this paper, we combine gene expression data with clinical data. We use logistic regression models that can be built through various regularized techniques. Generalized linear models enables combining of these models with different structure of data. Our two suggested approaches are evaluated with publicly available breast cancer data sets. Based on the results, our approaches have a positive effect on prediction performances and are not computationally intensive.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/TA01010931" target="_blank" >TA01010931: Systém pro podporu vyhodnocování metody FISH</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2012

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

4th International Conference on Agents and Artificial Intelligence

ISBN

978-989-8425-95-9

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

1-6

Název nakladatele

Institute for Systems and Technologies of Information, Control and Communication

Místo vydání

Algarve

Místo konání akce

Algarve

Datum konání akce

6. 2. 2012

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—