Semi-Supervised Model Applied to the Prediction of the Response to Preoperative Chemotherapy for Breast Cancer

Abstract

Abstract-Breast cancer is the second most frequent one, and the first one affecting the women. The standard treatments has three main stages: a preoperative chemotherapy followed by a surgery operation, then an post-operatory chemotherapy. Because the response to the preoperative chemotherapy is correlated to a good prognosis, and because the clinical and biological informations do not yield to efficient predictions of the response, a lot of research effort is being devoted to the design of predictors relying on the measurement of genes' expression levels. In the present paper, we report our works for designing genomic predictors of the response to the preoperative chemotherapy, making use of a semi-supervised machine learning approach. The method is based on margin geometric information of patterns of low density areas, computed on a labeled dataset and on an unlabeled one.Keywords-Transductive learning , Unlabeled data set , Semi-supervised learning.Resumo-O câncer de mama é o segundo tipo mais freqüente, sendo o primeiro em mulheres. O tratamento padrão possui três fases principais: uma quimeoterapia pré-operatória, seguida por cirúrgia e, em seguida, uma quimeoterapia pós-operatória. Porque a resposta à quimeoterapia pré-operatória está correlacionada com um bom prognóstico, e porque a informação clínica e biológica não levam à previsões eficientes desta resposta, uma grande esforço de investigação está sendo dedicado ao projeto de preditores baseando-se nos níveis de expressão gênica. No presente trabalho, relatamos os nossos trabalhos para a concepção de preditores genômicos da resposta à quimioterapia pré-operatória, fazendo uso de uma máquina de aprendisagem semi-supervisionada. O método baseia-se na informação de margem geométrica dos padrões das áreas de baixa densidade, calculada sobre um conjunto de dados rotulados e sobre outro não rotulado.