nach oben

Erschienen in:

2024 | OriginalPaper | Buchkapitel

Naturinspiriertes Computing in der Brustkrebsforschung: Überblick, Perspektive und Herausforderungen der modernsten Techniken

verfasst von : Ankita Sahu, K. K. Ajeeshkumar, Mudasir Nabi Peerzada, Manoj Kumar Yadav, Saurabh Verma

Erschienen in: Von der Natur inspirierte intelligente Datenverarbeitungstechniken in der Bioinformatik

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Die naturinspirierte Informatik (NIC) ist ein relativ neues Konzept zur Entwicklung neuer Algorithmen zur Lösung komplexer Probleme basierend auf natürlichen Phänomenen. Es handelt sich um eine stochastische Suchtechnik, die erfolgreich in verschiedenen Anwendungen im medizinischen Bereich eingesetzt wird und überwiegend Lösungen für Probleme kleiner bis großer Bandbreite bietet. NIC ist ein aufkommender Ansatz, der verschiedene Informatiktechniken zur verbesserten Lösung komplexer Probleme bietet. Brustkrebs ist nach Hautkrebs die zweithäufigste Krebsart bei Frauen. Die Brustkrebsforschung steht aufgrund der hohen Sterblichkeitsrate im Mittelpunkt. Die großen Datenmengen, die bei Brustkrebs anfallen, können mit NIC-Methoden effizienter analysiert werden, um die Krankheit frühzeitig vorherzusagen. Ziel dieses Kapitels ist es, die Anwendung, Herausforderungen und Fortschritte der von der Natur inspirierten Informatik für die rechtzeitige Diagnose von Brustkrebs darzustellen und die Forschung in diese neue, trendsetzende Richtung zu motivieren.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Nutzung des Gesundheitssystems mit naturinspirierten Computertechniken: Ein Überblick und zukünftige Perspektiven

Nächstes Kapitel Fortschritte bei der genomischen Profilerstellung von Darmkrebs mit naturinspirierten Rechentechniken

Akay B, Karaboga D (2009) Parameter tuning for the artificial bee colony algorithm. In: Nguyen NT, Kowalczyk R, Chen S-M (Hrsg) Computational collective intelligence. Semantic web, social networks and multiagent systems. Springer, S 608–619. https://doi.org/10.1007/978-3-642-04441-0_53

Aličković E, Subasi A (2017) Breast cancer diagnosis using GA feature selection and rotation forest. Neural Comput Appl 28(4):753–763. https://doi.org/10.1007/s00521-015-2103-9CrossRef

Alshammari MM, Almuhanna A, Alhiyafi J (2022) Mammography image-based diagnosis of breast cancer using machine learning: a pilot study. Sensors 22(1):203. https://doi.org/10.3390/s22010203CrossRef

Arora JS (2017) Chapter 17 – nature-inspired search methods. In: Arora JS (Hrsg) Introduction to optimum design, 4. Aufl. Academic Press, S 739–769. https://doi.org/10.1016/B978-0-12-800806-5.00017-2

Bansal JC, Sharma H, Jadon SS, Clerc M (2014) Spider monkey optimization algorithm for numerical optimization. Memetic Computing 6(1):31–47. https://doi.org/10.1007/s12293-013-0128-0CrossRef

Best MG, Sol N, In ‘t Veld SGJG, Vancura A, Muller M, Niemeijer A-LN, Fejes AV, Tjon Kon Fat L-A, Huis In ‘t Veld AE, Leurs C, Le Large TY, Meijer LL, Kooi IE, Rustenburg F, Schellen P, Verschueren H, Post E, Wedekind LE, Bracht J, Wurdinger T (2017) Swarm intelligence-enhanced detection of non-small-cell lung cancer using tumor-educated platelets. Cancer Cell 32(2):238–252.e9. https://doi.org/10.1016/j.ccell.2017.07.004

Copeland BJ (2004) The essential turing. Oxford University Press. https://doi.org/10.1093/oso/9780198250791.001.0001

Daelemans W, Hoste V, De Meulder F, Naudts B (2003) Combined optimization of feature selection and algorithm parameters in machine learning of language. In: Lavrač N, Gamberger D, Blockeel H, Todorovski L (Hrsg) Machine learning: ECML 2003. Springer, S 84–95. https://doi.org/10.1007/978-3-540-39857-8_10

Derangula A, Edara S (2021) Identification of optimized features using nature-inspired meta-heuristics based optimizations in breast cancer detection. https://doi.org/10.1016/J.MATPR.2020.12.129

Dey N, Bhateja V, Hassanien AE (2016) Medical imaging in clinical applications: algorithmic and computer-based approaches. Springer

Dhahri H, Al Maghayreh E, Mahmood A, Elkilani W, Faisal Nagi M (2019) Automated breast cancer diagnosis based on machine learning algorithms. J Healthc Eng 2019:e4253641. https://doi.org/10.1155/2019/4253641CrossRef

Dorigo M (1992) Optimization, learning and natural algorithms. Undefined. https://www.semanticscholar.org/paper/Optimization%2C-Learning-and-Natural-Algorithms-Dorigo/2b735a5cd94b0b5868e071255bd187a901cb975a

Dorigo M, Gambardella LM (1997) Ant colonies for the travelling salesman problem. Biosystems 43(2):73–81. https://doi.org/10.1016/S0303-2647(97)01708-5CrossRef

Dorigo M, Maniezzo V, Colorni A (1996) Ant system: optimization by a colony of cooperating agents. IEEE Trans Syst Man Cybernet Part B (Cybernetics) 26(1):29–41. https://doi.org/10.1109/3477.484436

Dorigo M, Stützle T (2019) Ant colony optimization: overview and recent advances. In: Gendreau M, Potvin J-Y (Hrsg) Handbook of metaheuristics. Springer International Publishing, S 311–351. https://doi.org/10.1007/978-3-319-91086-4_10

El-Gallad A, El-Hawary M, Sallam A, Kalas A (2002) Enhancing the particle swarm optimizer via proper parameters selection. In: IEEE CCECE2002. Canadian conference on electrical and computer engineering. Conference proceedings (Cat. No.02CH37373) Bd 2, S 792–797. https://doi.org/10.1109/CCECE.2002.1013043

Favaretto D, Moretti E, Pellegrini P (2009) On the explorative behavior of MAX–MIN ant system. In: Stützle T, Birattari M, Hoos HH (Hrsg) Engineering stochastic local search algorithms. Designing, implementing and analyzing effective heuristics. Springer, S 115–119 https://doi.org/10.1007/978-3-642-03751-1_10

Gupta TK, Raza K (2019) Optimization of ANN architecture: a review on nature-inspired techniques. In: Machine learning in bio-signal analysis and diagnostic imaging. Elsevier, S 159–182. https://doi.org/10.1016/B978-0-12-816086-2.00007-2

Hammouche K, Diaf M, Siarry P (2010) A comparative study of various meta-heuristic techniques applied to the multilevel thresholding problem. Eng Appl Artif Intell 23

Hariprasath K, Tamilselvi S, Saravana Kumar NM, Kaviyavarshini N, Balamurugan S (2021) Performance analysis of nature-inspired algorithms in breast cancer diagnosis. In: Nature-inspired algorithms applications. Wiley, S 267–294 https://doi.org/10.1002/9781119681984.ch10

He Z, Ma C, Wang X, Li L, Wang Y, Zhao Y, Guo H (2014) A modified artificial bee colony algorithm based on search space division and disruptive selection strategy. Math Probl Eng 1–14. https://doi.org/10.1155/2014/432654

Holland JH (1992) Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. A Bradford Book

Kamel SR, YaghoubZadeh R, Kheirabadi M (2019) Improving the performance of support-vector machine by selecting the best features by Gray Wolf algorithm to increase the accuracy of diagnosis of breast cancer. J Big Data 6(1):90. https://doi.org/10.1186/s40537-019-0247-7CrossRef

Kaur P, Sharma M (2017) A survey on using nature inspired computing for fatal disease diagnosis. Int J Inf Syst Model and Des (IJISMD) 8(2):70–91. https://doi.org/10.4018/IJISMD.2017040105CrossRef

Kennedy J, Eberhart R (1995) Particle swarm optimization. In: Proceedings of ICNN’95 – international conference on neural networks, Bd 4, S 1942–1948. https://doi.org/10.1109/ICNN.1995.488968

Lovenia JDL, Freeda S, Jemima DD, Christopher N (2019) Breast cancer classification using nature-inspired algorithm. Int J Rec Technol Eng 8(2):1024–1027. https://doi.org/10.35940/ijrte.B1172.0982S1119

Mirjalili S (2015) Moth-flame optimization algorithm: a novel nature-inspired heuristic paradigm. Knowl-Based Syst 89:228–249. https://doi.org/10.1016/j.knosys.2015.07.006CrossRef

Mirjalili S, Mirjalili SM, Lewis A (2014) Grey wolf optimizer. Adv Eng Softw 69:46–61. https://doi.org/10.1016/j.advengsoft.2013.12.007CrossRef

Mishra AK, Roy P, Bandyopadhyay S (2020) Genetic algorithm based selection of appropriate biomarkers for improved breast cancer prediction. In: Bi Y, Bhatia R, Kapoor S (Hrsg) Intelligent systems and applications. Springer International Publishing, S 724–732. https://doi.org/10.1007/978-3-030-29513-4_54

Nayak J, Naik B, Dinesh P, Vakula K, Dash PB (2020) Firefly algorithm in biomedical and health care: advances issues and challenges. SN Comput Sci 1(6):311. https://doi.org/10.1007/s42979-020-00320-x

Phan HD, Ellis K, Barca JC, Dorin A (2020) A survey of dynamic parameter setting methods for nature-inspired swarm intelligence algorithms. Neural Comput Appl 32(2):567–588. https://doi.org/10.1007/s00521-019-04229-2CrossRef

Pilat ML, White T (2002) Using genetic algorithms to optimize ACS-TSP. In: Dorigo M, Di Caro G, Sampels M (Hrsg) Ant algorithms. Springer, S 282–287. https://doi.org/10.1007/3-540-45724-0_28

Ramalingam G (2022) Modified firefly algorithm for optimizing biomedical breast cancer queries. https://doi.org/10.21203/rs.3.rs-171211/v1

Sánchez D, Melin P, Castillo O (2020) Chapter 12 – modular granular neural network optimization using the firefly algorithm applied to time series prediction. In: Yang X-S (Hrsg) Nature-inspired computation and swarm intelligence. Academic Press, S 199–216. https://doi.org/10.1016/B978-0-12-819714-1.00023-3

Sathya M, Jeyaselvi M, Joshi S, Pandey E, Pareek PK, Jamal SS, Kumar V, Atiglah HK (2022) Cancer categorization using genetic algorithm to identify biomarker genes. J Healthc Eng 2022:e5821938. https://doi.org/10.1155/2022/5821938CrossRef

Sayed GI, Soliman M, Hassanien AE (2016) Bio-inspired swarm techniques for thermogram breast cancer detection. In: Dey N, Bhateja V, Hassanien AE (Hrsg) Medical imaging in clinical applications: algorithmic and computer-based approaches. Springer International Publishing, S 487–506. https://doi.org/10.1007/978-3-319-33793-7_21

Schranz M, Umlauft M, Sende M, Elmenreich W (2020) Swarm robotic behaviors and current applications. Front Robot AI 7. https://www.frontiersin.org/article/10.3389/frobt.2020.00036

Shah H (2021) Using new artificial bee colony as probabilistic neural network for breast cancer data classification. Front Eng Built Environ 1(2):133–145. https://doi.org/10.1108/FEBE-03-2021-0015CrossRef

Shah H, Chiroma H, Herawan T, Ghazali R, Tairan N (2019) An efficient bio-inspired bees colony for breast cancer prediction. In: Abawajy JH, Othman M, Ghazali R, Deris MM, Mahdin H, Herawan T (Hrsg) Proceedings of the international conference on data engineering 2015 (DaEng-2015). Springer, S 597–608. https://doi.org/10.1007/978-981-13-1799-6_61

Shah H, Ghazali R, Herawan T, Rahman SU, Khan N (2016) Chapter 14 – swarm based-artificial neural system for human health data classification. In: Al-Jumeily D, Hussain A, Mallucci C, Oliver C (Hrsg) Applied computing in medicine and health. Morgan Kaufmann, S 287–309. https://doi.org/10.1016/B978-0-12-803468-2.00014-X

Sharma M, Singh G, Singh R (2021) Clinical decision support system query optimizer using hybrid firefly and controlled genetic algorithm. J King Saud Univ Comput Inf Sci 33(7):798–809. https://doi.org/10.1016/j.jksuci.2018.06.007CrossRef

Sharma S, Singh G, Singh D (2019) Role and performance of different traditional classification and nature-inspired computing techniques in major research areas. EAI Endorsed Trans Scalable Inform Syst 6(21). https://eudl.eu/doi/https://doi.org/10.4108/eai.13-7-2018.158419

Stoykova S, Spasov V (2019) Choice of fitness functions and parameter settings in genetic algorithms for analysis of induction motors. IOP Conf Ser Mater Sci Eng 618(1):012024. https://doi.org/10.1088/1757-899X/618/1/012024CrossRef

Stützle T, López-Ibáñez M, Pellegrini P, Maur M, Montes de Oca M, Birattari M, Dorigo M (2012) Parameter adaptation in ant colony optimization. In: Hamadi Y, Monfroy E, Saubion F (Hrsg) Autonomous search. Springer, S 191–215. https://doi.org/10.1007/978-3-642-21434-9_8

Tahoun M, Almazroi AA, Alqarni MA, Gaber T, Mahmoud EE, Eltoukhy MM (2020) A grey wolf-based method for mammographic mass classification. Appl Sci 10(23):8422. https://doi.org/10.3390/app10238422CrossRef

Turing A (1948) 10 intelligent machinery. Oxford University Press, S 395–432. https://doi.org/10.1093/oso/9780198250791.003.0016

Vosooghifard M, Ebrahimpour H (2015) Applying grey wolf optimizer-based decision tree classifier for cancer classification on gene expression data. In: 2015 5th international conference on computer and knowledge engineering (ICCKE), 147–151. https://doi.org/10.1109/ICCKE.2015.7365818

Xu Y, Fan P, Yuan L (2013) A simple and efficient artificial bee colony algorithm. Math Probl Eng 2013:e526315. https://doi.org/10.1155/2013/526315CrossRef

Yang X-S (2009) Firefly algorithms for multimodal optimization. In: Watanabe O, Zeugmann T (Hrsg) Stochastic algorithms: foundations and applications. Springer, S 169–178

Yang X-S, He X (2013) Firefly algorithm: recent advances and applications. Int J Swarm Intell 1(1):36–50. https://doi.org/10.1504/IJSI.2013.055801CrossRef

Yang X-S, Karamanoglu M (2020) Chapter 1 – nature-inspired computation and swarm intelligence: a state-of-the-art overview. In: Yang X-S (Hrsg) Nature-inspired computation and swarm intelligence. Academic Press, S 3–18. https://doi.org/10.1016/B978-0-12-819714-1.00010-5

Zang H, Zhang S, Hapeshi K (2010) A review of nature-inspired algorithms. J Bionic Eng 7:S232–S237. https://doi.org/10.1016/S1672-6529(09)60240-7CrossRef

Zhao X, Fang Y, Liu L, Xu M, Li Q (2022) A covariance-based Moth–flame optimization algorithm with Cauchy mutation for solving numerical optimization problems. Appl Soft Comput 119:108538. https://doi.org/10.1016/j.asoc.2022.108538CrossRef

Titel: Naturinspiriertes Computing in der Brustkrebsforschung: Überblick, Perspektive und Herausforderungen der modernsten Techniken
verfasst von: Ankita Sahu
K. K. Ajeeshkumar
Mudasir Nabi Peerzada
Manoj Kumar Yadav
Saurabh Verma
Verlag: Springer Nature Singapore
Buch: Von der Natur inspirierte intelligente Datenverarbeitungstechniken in der Bioinformatik
Print ISBN: 978-981-9978-07-6

Electronic ISBN: 978-981-9978-08-3

Copyright-Jahr: 2024
DOI: https://doi.org/10.1007/978-981-99-7808-3_3

Springer Professional

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner