Previous research has indicated the

Previous research has indicated the significance of accurate classification of fluorescence in situ hybridisation (FISH) signals for the detection of genetic abnormalities. Based on well-discriminating features and a trainable neural network (NN) classifier, a previous system enabled highly-accurate classification of valid signals and artefacts of two fluorophores. However, since this system employed several features that are considered independent, the naive Bayesian classifier (NBC) is suggested here as an alternative to the NN. The NBC independence assumption permits the decomposition of the high-dimensional likelihood of the model for the data into a product of one-dimensional probability densities. The naive independence assumption together with the Bayesian methodology allow the NBC to predict a posteriori probabilities of class membership using estimated class-conditional densities in a close and simple form. Since the probability densities are the only parameters of the NBC, the misclassification rate of the model is determined exclusively by the quality of density estimation. Densities are evaluated by three methods: single Gaussian estimation (SGE; parametric method), Gaussian mixture model assuming spherical covariance matrices (GMM; semi-parametric method) and kernel density estimation (KDE; non-parametric method). For low-dimensional densities, the GMM generally outperforms the KDE that tends to overfit the training set at the cost of reduced generalisation capability. But, it is the GMM that loses some accuracy when modelling higher-dimensional densities due to the violation of the assumption of spherical covariance matrices when dependent features are added to the set. Compared with these two methods, the SGE and NN provide inferior and superior performance, respectively. However, the NBC avoids the intensive training and optimisation required for the NN, demanding extensive resources and experimentation. Therefore, when supporting these two classifiers, the system enables a trade-off between the NN performance and NBC simplicity of implementation.

ผลลัพธ์ (ไทย) 1:

งานวิจัยก่อนหน้านี้ได้ระบุความสำคัญของการจัดประเภทเรืองแสงเสถียรสัญญาณ hybridisation (ปลา) สำหรับตรวจหาความผิดปกติทางพันธุกรรมถูกต้อง ตามคุณลักษณะเหยียดอย่างดีและลักษณนามเป็นข่ายประสาท trainable (NN) ระบบก่อนหน้านี้เปิดใช้งานการจำแนกประเภทความแม่นยำสูงของสัญญาณที่ถูกต้องและสิ่งประดิษฐ์ของสอง fluorophores อย่างไรก็ตาม เนื่องจากระบบนี้ใช้คุณลักษณะหลายอย่างที่จะถือว่าอิสระ ลักษณนามทฤษฎีไร้เดียงสา (NBC) แนะนำที่นี่เป็นทางเลือก NN อัสสัมชัญเอกราช NBC อนุญาตการเน่าของโอกาสสูงมิติของรูปแบบสำหรับข้อมูลที่เป็นผลิตภัณฑ์ของความหนาแน่นของความน่าเป็น one-dimensional อัสสัมชัญเป็นอิสระไร้เดียงสาพร้อมกับวิธีการทฤษฎีอนุญาต NBC ทำนายน่าจะเป็น posteriori ของสมาชิกชั้นที่ใช้ประเมินมีเงื่อนไขระดับความหนาแน่นในรูปแบบเรียบง่าย และปิด เนื่องจากความหนาแน่นของความน่าเป็นมีพารามิเตอร์เฉพาะของ NBC ราคาการจัดประเภทของรูปแบบที่กำหนด โดยคุณภาพของการประเมินความหนาแน่น ความหนาแน่นจะประเมิน โดยวิธีการสาม: การประเมินนที่เดียว (เป็นโปรแกรมแบบขนาน วิธีพาราเมตริก) นที่ผสมแบบสมมติว่าเมทริกซ์แปรปรวนทรงกลม (อสมท วิธีกึ่งพาราเมตริก) และการประเมินความหนาแน่นของเคอร์เนล (KDE วิธีที่ไม่ใช่พาราเมตริก) สำหรับความหนาแน่นต่ำมิติ อสมทโดยทั่วไปมีประสิทธิภาพสูงกว่า KDE ซึ่งมัก overfit ตั้งค่าใช้จ่าย generalisation ลดความสามารถในการฝึกอบรม แต่ มันเป็นอสมทที่สูญเสียความแม่นยำบางเมื่อสร้างแบบจำลองความหนาแน่นสูงมิติเนื่องจากการละเมิดของสมมติฐานของเมทริกซ์แปรปรวนทรงกลมเมื่อมีเพิ่มคุณสมบัติขึ้นในชุด เมื่อเทียบกับสองวิธี เป็นโปรแกรมแบบขนานและ NN ให้ประสิทธิภาพด้อยกว่า และเหนือกว่า ตามลำดับ อย่างไรก็ตาม NBC หลีกเลี่ยงการฝึกอบรมแบบเข้มข้นและเหมาะสมที่จำเป็นสำหรับ NN เรียกร้องทรัพยากรหลากหลายและทดลอง ดังนั้น เมื่อสนับสนุนเหล่านี้คำนามภาษาที่สอง ระบบช่วยปิดระหว่างประสิทธิภาพ NN และ NBC ความเรียบง่ายของการใช้งาน

ผลลัพธ์ (ไทย) 2:

วิจัยก่อนหน้านี้ได้ชี้ให้เห็นความสำคัญของการจัดประเภทที่ถูกต้องของการเรืองแสงในแหล่งกำเนิด hybridisation (FISH) สัญญาณสำหรับการตรวจสอบความผิดปกติทางพันธุกรรม ขึ้นอยู่กับดีแบ่งแยกคุณสมบัติและเครือข่ายประสาท (NN) ลักษณนามสุวินัยระบบก่อนเปิดใช้งานการจัดหมวดหมู่อย่างสูงที่ถูกต้องของการส่งสัญญาณที่ถูกต้องและสิ่งประดิษฐ์ของทั้งสอง fluorophores อย่างไรก็ตามเนื่องจากระบบนี้ลูกจ้างคุณสมบัติหลายประการที่จะถือว่าเป็นอิสระลักษณนามเบส์ไร้เดียงสา (NBC) จะแนะนำที่นี่เป็นทางเลือกให้ NN สมมติฐานของเอ็นบีซีเป็นอิสระอนุญาตให้สลายตัวของความเป็นไปได้สูงมิติของรูปแบบสำหรับข้อมูลลงในผลิตภัณฑ์ของหนึ่งมิติความหนาแน่นของความน่าจะเป็น สมมติฐานที่เป็นอิสระไร้เดียงสาร่วมกับวิธีการแบบเบย์ให้เอ็นบีซีคาดการณ์ความน่าจะเป็น posteriori ของการเป็นสมาชิกระดับความหนาแน่นประมาณโดยใช้เงื่อนไขของคลาสในรูปแบบที่ใกล้ชิดและเรียบง่าย เนื่องจากความหนาแน่นของความน่าจะเป็นพารามิเตอร์เดียวของเอ็นบีซี, อัตราการจำแนกของแบบจำลองจะถูกกำหนดโดยเฉพาะคุณภาพของการประมาณค่าความหนาแน่น ความหนาแน่นได้รับการประเมินโดยสามวิธี: การประมาณค่าเสียนเดียว (SGE; วิธีพารา) ผสมแบบเกาส์สมมติว่าเมทริกซ์ทรงกลมแปรปรวน (GMM; วิธีกึ่งพารา) และประมาณความหนาแน่นเคอร์เนล (KDE; ไม่ใช่วิธีพารา) สำหรับความหนาแน่นต่ำมิติ GMM โดยทั่วไปมีประสิทธิภาพดีกว่า KDE ว่ามีแนวโน้มที่จะ overfit ชุดฝึกอบรมที่ค่าใช้จ่ายของความสามารถทั่วไปลดลง แต่มันเป็นจีเอ็มเอ็ที่สูญเสียความถูกต้องบางอย่างเมื่อการสร้างแบบจำลองความหนาแน่นสูงมิติเนื่องจากมีการละเมิดข้อสันนิษฐานของเมทริกซ์ความแปรปรวนทรงกลมเมื่อคุณสมบัติที่ขึ้นกับจะมีการเพิ่มชุด เมื่อเทียบกับทั้งสองวิธีที่ SGE และ NN ให้ประสิทธิภาพด้อยกว่าและดีกว่าตามลำดับ อย่างไรก็ตามเอ็นบีซีหลีกเลี่ยงการฝึกอบรมอย่างเข้มข้นและการเพิ่มประสิทธิภาพที่จำเป็นสำหรับการ NN เรียกร้องทรัพยากรที่กว้างขวางและการทดลอง ดังนั้นเมื่อการสนับสนุนทั้งสองลักษณนาม, ระบบช่วยการออกระหว่างประสิทธิภาพ NN เอ็นบีซีและความเรียบง่ายของการดำเนินงาน

ผลลัพธ์ (ไทย) 3:

งานวิจัยก่อนหน้านี้ได้ชี้ให้เห็นความสำคัญของหมวดหมู่ที่ถูกต้องของการเรืองแสงใน situ ไฮบริไดเซชัน ( ปลา ) สัญญาณในการตรวจหาความผิดปกติทางพันธุกรรม ขึ้นอยู่กับคุณสมบัติและค่าคุ้มครองโครงข่ายประสาทเทียม ( NN ) ประเภทระบบก่อนเปิดหมวดหมู่ของสัญญาณที่ถูกต้องและสิ่งประดิษฐ์สอง fluorophores ความถูกต้องสูง อย่างไรก็ตาม เนื่องจากระบบนี้ใช้คุณสมบัติหลายประการที่เป็นอิสระ , ไร้เดียงสา Bayesian ลักษณนาม ( NBC ) เสนอมาเป็นทางเลือกให้กับ NN . ความเป็นอิสระ NBC สมมติฐานให้การสลายตัวของความน่าจะเป็นสูง - มิติของรูปแบบข้อมูลที่เป็นผลิตภัณฑ์ของมิติ ความน่าจะเป็นมีความหนาแน่น ความเป็นอิสระไร้เดียงสาอัสสัมชัญร่วมกับวิธีการเบส์ให้ NBC ทำนายจากผลไปสู่เหตุน่าจะเป็นสมาชิกห้องระดับที่ใช้เงื่อนไข และปิดประมาณความหนาแน่นในรูปแบบง่ายๆ เนื่องจากความเป็นไปได้ความหนาแน่นเป็นพารามิเตอร์เพียงของเอ็นบีซี , อัตราการผิดพลาดของรูปแบบจะถูกกำหนดโดยเฉพาะคุณภาพของการประมาณความหนาแน่น ความหนาแน่นจะถูกประเมินโดยสามวิธี : การประมาณค่าเดียว ( SGE ) ; วิธีการพาราเมตริก ) ) ส่วนผสม แบบสมมติว่าเมทริกซ์ความแปรปรวนร่วมทรงกลม ( จีเอ็มเอ็ม วิธีกึ่งพารามิเตอร์ ) และน่าจะประมาณนี้แหละ ( KDE ; ไม่ใช้พารามิเตอร์วิธี ) มิติสำหรับความหนาแน่นต่ำ , จีเอ็มเอ็ม โดยทั่วไปมีประสิทธิภาพดีกว่าของ KDE ที่มีแนวโน้มที่จะ overfit ชุดฝึกอบรมที่ต้นทุนลดลง ความสามารถใน generalisation . แต่มันเป็นค่ายที่สูญเสียความถูกต้องบางอย่างเมื่อแบบจำลองความหนาแน่นขนาดสูงเนื่องจากการละเมิดของสมมติฐานของเมทริกซ์ความแปรปรวนร่วมแบบทรงกลมเมื่อคุณสมบัติจะถูกเพิ่มไปยังชุด เมื่อเทียบกับวิธีการเหล่านี้สอง ขนานไม่ด้อยกว่าและเหนือกว่าและให้ประสิทธิภาพตามลำดับ อย่างไรก็ตาม รัฐบาลหลีกเลี่ยงการฝึกและการเพิ่มประสิทธิภาพที่จำเป็นสำหรับ NN , ความต้องการทรัพยากรที่กว้างขวาง และการทดลอง ดังนั้น เมื่อสนับสนุนทั้งสองคำ , ระบบช่วยการแลกเปลี่ยนระหว่าง NN ประสิทธิภาพและเอ็นบีซีความเรียบง่ายของการใช้งาน