DSpace Repository

Detección de metástasis de cáncer mamario usando máquinas de soporte vectorial a partir de datos de microarray

Show simple item record

dc.contributor.advisor Peralta Luján, José Luis
dc.contributor.author Calderón Niquín, Marks Arturo
dc.date.accessioned 2016-11-18T17:30:53Z
dc.date.available 2016-11-18T17:30:53Z
dc.date.issued 2012
dc.identifier.uri http://dspace.unitru.edu.pe/handle/UNITRU/4887
dc.description Actually the main cause of decease are produce by cancer illness. They can afect a many organs sucha as pancreas, breast, cervix, prostate and others, and breast cancer has high number of cases and this kind of illness has state or level of developing as metastasis, it spreads malign cells for neighbour organs then it produce the highest rate of death. Exists several diagnostic test and one of that is analysis of microarrays is used a different algorithms of machine learning. Support Vector Machine-SVM has obtained a good performance to binary classification and complement of it is a multiple kernel learning-MKL. In this thesis our proposal a new method, it uses a local(datadependent) and nonlinear combination with different kernels. We call it as localized nonlinear multiple kernel learning (LNLMKL). In our experiments for binary microarray classification, different kernels were used in SVM and different kernels combinations. Finally, we report the results of these experiments using eight high-dimensional microarray datasets demostrating that our proposal have performanced better than other methods analyzed. es_ES
dc.description.abstract En la actualidad la principal causa de muerte por enfermedad es el cáncer. Ella puede afectar a distintos organos como páncreas, mama, cuello uterino, prostata entre otros, y el cáncer mamario presenta mayor número de casos y esta enfermedad presenta estados o fases de desarrollo siendo una de ellas la metástasis que es la proliferación de células cancerigenas a órganos cercanos al del origen y causante de un gran porcentaje de muertes. Para su diagnóstico existen diferentes pruebas y una de ellas es el análisis de microarrays que emplea diferentes algoritmos de aprendizaje de máquinas. Máquinas de soportec vectorial (Support Vector Machine-SVM) presenetan una mejor performance en clasificación binaria. Un complemento de mejora a SVM es aprendizaje de múltiples kernels (Multiple Kernel Learning-MKL) que combina diferentes kernels de forma lineal, no lineal o local, en vez de uno solo. En este trabajo proponemos un nuevo método de MKL, utiliza la combinación local (dependiente de los datos) y no lineal de diferentes kernels. A esta propuesta la llamamos aprendizaje localizado no lineal de múltiples kernels (Localized Nonlinear Multiple Kernel Learning - LNLMKL). Evaluamos el desempeño de nuestra propuesta con una SVM y m´etodos de MKL, utilizando diferentes kernels y sus combinaciones, en la tarea de clasificación binaria de microarrays de distintos tipos de cáncer entre ellos metástasis de cáncer mamario que es el objeto de estudio del presente trabajo. Después de realizar un test post-hoc, nuestra propuesta muestra un mejor desempeño respecto a otras combinaciones de kernels, que los otros métodos evaluados. es_ES
dc.language.iso spa es_ES
dc.publisher Universidad Nacional de Trujillo
dc.rights info:eu-repo/semantics/openAccess es_ES
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/2.5/pe/
dc.source Universidad Nacional de Trujillo es_ES
dc.source Repositorio institucional - UNITRU es_ES
dc.subject Microarray, Metástasis de cáncer es_ES
dc.title Detección de metástasis de cáncer mamario usando máquinas de soporte vectorial a partir de datos de microarray es_ES
dc.type info:eu-repo/semantics/bachelorThesis es_ES
thesis.degree.level Título Profesional
thesis.degree.name Ingeniero Informático
thesis.degree.discipline Informática
thesis.degree.grantor Universidad Nacional de Trujillo.Facultad de Ciencias Fisicas y Matematicas


Files in this item

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess

Search DSpace


Browse

My Account