Machine learning techniques to discover genes with potential prognosis role in Alzheimer’s disease using different biological sources

Martínez-Ballesteros, M.; García-Heredia, José Manuel; Nepomuceno-Chamorro, Isabel A.; Santos, José Cristóbal Riquelme

doi:10.1016/j.inffus.2016.11.005

Cited by 29 publications

(25 citation statements)

References 72 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Table 4 shows some studies in Alzheimer's disease and other forms of dementia via machine learning algorithms. The applications include diagnosis of Alzheimer's disease [115,116], diagnosis of dementias [117], and detection of Alzheimer's disease related regions [118], prediction of mild cognitive impairment patients for conversion to Alzheimer's disease [119,120], detection of dissociable multivariate morphological patterns [121], diagnosis of both Alzheimer's disease and mild cognitive impairment [122] and identification of genes related to Alzheimer's disease [125,126]. Alzheimer's disease: sensitivity = 85%, specificity = 82%, accuracy = 85%; Mild cognitive impairment: sensitivity = 84%, specificity = 81%, accuracy = 85% [125] Identification of genes related to Alzheimer's disease DT; QAR 33 90 genes are related to Alzheimer's disease [126] Identification of genes related to Alzheimer's disease ELM; RF; SVM 31 Sensitivity= 78.77%; Specificity= 83.1%; Accuracy = 74.67% DCNN = deep convolutional neural network; DT = decision tree; ELM = extreme learning machine; EM = expectation maximization; GA = genetic algorithm; LC = lasso classification; LDS = low density separation; LR = logistic regression; NBC = Naive Bayes classifier; QAR = quantitative association rules; RF = random forest; RLO = random linear oracle; RS = random subspace; SVM = support vector machine.…”

Section: Alzheimer's Disease and Other Forms Of Dementiamentioning

confidence: 99%

“…Fourteen different algorithms were employed in [115][116][117][118][119][120][121][122][123][124][125][126]. The datasets of Alzheimer's disease and other forms of dementia have relatively small sample size.…”

Section: Alzheimer's Disease and Other Forms Of Dementiamentioning

confidence: 99%

“…The datasets of Alzheimer's disease and other forms of dementia have relatively small sample size. Three applications, prediction of mild cognitive impairment patients for conversion to Alzheimer's disease [119,120], prediction of mild cognitive impairment [122][123][124] and identification of genes related to Alzheimer's disease [125,126] are required to have further improvement3.4. Tuberculosis Tuberculosis (TB) was a lethal infectious disease caused by bacteria mycobacterium tuberculosis that usually attacks the lung.…”

Section: Alzheimer's Disease and Other Forms Of Dementiamentioning

confidence: 99%

“…Due to the multitude of smart healthcare applications, only four applications in the field of diseases diagnosis, cardiovascular diseases [82][83][84][85][86][87][88][89][90][91][92][93][94][95][96][97][98][99], diabetes mellitus [100][101][102][103][104][105][106][107][108][109][110][111][112], Alzheimer's disease and other forms of dementias [113][114][115][116][117][118][119][120][121][122][123][124][125][126], and tuberculosis [127][128][129][130][13...…”

Section: Introductionmentioning

confidence: 99%

See 3 more Smart Citations

Disease Diagnosis in Smart Healthcare: Innovation, Technologies and Applications

et al. 2017

View full text Add to dashboard Cite

Abstract:To promote sustainable development, the smart city implies a global vision that merges artificial intelligence, big data, decision making, information and communication technology (ICT), and the internet-of-things (IoT). The ageing issue is an aspect that researchers, companies and government should devote efforts in developing smart healthcare innovative technology and applications. In this paper, the topic of disease diagnosis in smart healthcare is reviewed. Typical emerging optimization algorithms and machine learning algorithms are summarized. Evolutionary optimization, stochastic optimization and combinatorial optimization are covered. Owning to the fact that there are plenty of applications in healthcare, four applications in the field of diseases diagnosis (which also list in the top 10 causes of global death in 2015), namely cardiovascular diseases, diabetes mellitus, Alzheimer's disease and other forms of dementia, and tuberculosis, are considered. In addition, challenges in the deployment of disease diagnosis in healthcare have been discussed.

show abstract

Section: Alzheimer's Disease and Other Forms Of Dementiamentioning

confidence: 99%

Section: Alzheimer's Disease and Other Forms Of Dementiamentioning

confidence: 99%

Section: Alzheimer's Disease and Other Forms Of Dementiamentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Disease Diagnosis in Smart Healthcare: Innovation, Technologies and Applications

et al. 2017

View full text Add to dashboard Cite

show abstract

“…Muitas pesquisas utilizam estruturas de Rede para realizar o pós-processamento das Regras de Associação a fim de facilitar a extração do conhecimento por intermédio da análise das relações extraídas dos dados (CHERN-TONG; AZIZ, 2018;MARTÍNEZ-BALLESTEROS et al, 2017;LI et al, 2017;MINELGA et al, 2017;MEI;PAPER et al, 2015;SELMANE;BOUSSAID;BENTAYEB, 2015). Apenas os trabalhos de Pandey et al (2009) e Chawla, Davis e Pandey (2004) apresentam abordagens que possuem um atributo alvo (item objetivo), mas sem nenhum tipo de garantia de que as relações observadas geram hipóteses verdadeiras ou que o conhecimento formulado possa ser utilizado em aplicações de diversas áreas.…”

Section: Lista De Ilustraçõesunclassified

Redes de regras de associação filtradas e multialvo

Calçada¹

View full text Add to dashboard Cite

Este trabalho é dedicado à minha família em todos os planos da vida AGRADECIMENTOS Agradecimentos são sempre feitos de forma simples e direta citando nomes e elementos de uma forma geral que contribuíram com este trabalho. Farei um pouco diferente, pois são nas diferenças que percebemos o quanto a nossa vitória realmente compensou.Dizer que agradeço a Deus é muito pouco diante de tamanha dívida que possuo com o criador. Graças a Ele, tive e tenho a oportunidade de usufruir de uma reencarnação repleta de aprendizados, sendo a conclusão deste trabalho de grande importância em minha vida. Não tendo realmente outras palavras, simplesmente digo OBRIGADO SENHOR! Muito mais que uma orientadora, uma amiga e quase uma mãe, acima de tudo alguém que confiou em mim, no meu potencial. Ela me motivou desde o início, mesmo antes de saber que seria minha orientadora, e continua me inspirando a seguir firme, em frente, e a sempre "defender meu cinturão" após o doutorado. Prof a Solange Rezende, obrigado pela veracidade e pelo norteamento de minha vida acadêmica e pessoal, tornando-me um cientista da computação de verdade e um ser humano melhor.Agradecer a todos que contribuíram diretamente com os experimentos e estudos. Meu amigo Renan pelo tempo compartilhado em várias conversas e debates nos estudos de Mineração de Regras de Associação. Minhas "protetoras" Ivone, Roberta e Camila que me auxiliaram em tantas oportunidades, não só com orientações e sugestões sobre o trabalho, mas também sobre aspectos de minha vida pessoal.Agradecer aos demais membros da equipe SOL que tive o prazer de conviver. João Antunes, Ricardo Scheicher, Ricardo Marcacini, Vítor e Dildre, além dos outros que contribuíram bastante comigo, mesmo sem saber. Agradecer a todos do LABIC, na pessoa dos professores Alneu e Gustavo, e de todos seus orientandos, por me acolherem tão bem e me ensinarem que para crescer profissionalmente a gente DEVE compartilhar.Meu muito obrigado aos professores do Programa de Pós-graduação em Ciências da Computação e Matemática Computacional da USP em São Carlos pela paciência a mim direcionada e pelas disciplinas fundamentais em minha formação, destaco o Professor Cláudio Toledo que se tornou um parceiro de pesquisa e um amigo para o resto da vida. A todos os funcionários da USP que eu tanto "perturbei", muito obrigado! Emano gratidão a todos que coordenaram esse programa durante a minha passagem, em especial ao professor Ades que muitas vezes pareceu que estava atendendo a um parente próximo bem querido quando eu a ele me dirigia para tirar dúvidas e principalmente pedir ajuda. Ajuda que nunca foi negada.Às vezes agradecemos pela realização de sonhos, principalmente àqueles que nem sabíamos que poderiam ser realizados, por isso agradeço à UESPI e à USP-São Carlos por possibilitarem que eu fizesse um doutorado na melhor Universidade da América Latina, e ainda com nota 7 da CAPES, algo inimaginável para mim.Agradecimento a todos os meus colegas de DINTER, que mesmo sem a possibilidade de convivermos durante todo o processo do douto...

show abstract

Data Mining Techniques and Algorithms in Psychiatric Health: A Systematic Review

Mehndiratta¹,

S²,

Chaturvedi³

et al. 2021

Biomedical Data Mining for Information Retrieval

View full text Add to dashboard Cite

Machine learning techniques to discover genes with potential prognosis role in Alzheimer’s disease using different biological sources

Cited by 29 publications

References 72 publications

Disease Diagnosis in Smart Healthcare: Innovation, Technologies and Applications

Disease Diagnosis in Smart Healthcare: Innovation, Technologies and Applications

Redes de regras de associação filtradas e multialvo

Data Mining Techniques and Algorithms in Psychiatric Health: A Systematic Review

Contact Info

Product

Resources

About