A hierarchical deep learning based approach for multi‐functional enzyme classification

2021 ◽  
Author(s):  
Kinaan Aamir Khan ◽  
Safyan Aman Memon ◽  
Hammad Naveed
Keyword(s):  
Deep Learning ◽  
Enzyme Classification

scholarly journals Deepenz: prediction of enzyme classification by deep learning

2021 ◽  
Vol 22 (2) ◽  
pp. 1108
Author(s):  
Hamza Chehili ◽  
Salah Eddine Aliouane ◽  
Abdelhafedh Bendahmane ◽  
Mohamed Abdelhafid Hamidechi
Keyword(s):  
Artificial Intelligence ◽  
Deep Learning ◽  
Natural Language Processing ◽  
Language Processing ◽  
Great Capacity ◽  
Intensive Training ◽  
Enzyme Classification ◽  
New Methods ◽  
Proposed Model

<span>Previously, the classification of enzymes was carried out by traditional heuritic methods, however, due to the rapid increase in the number of enzymes being discovered, new methods aimed to classify them are required. Their goal is to increase the speed of processing and to improve the accuracy of predictions. The Purpose of this work is to develop an approach that predicts the enzymes’ classification. This approach is based on two axes of artificial intelligence (AI): natural language processing (NLP) and deep learning (DL). The results obtained in the tests  show the effectiveness of this approach. The combination of these two tools give a model with a great capacity to extract knowledge from enzyme data to predict and classify them. The proposed model learns through intensive training by exploiting enzyme sequences. This work highlights the contribution of this approach to improve the precision of enzyme classification.</span>

Deep Learning

2009 ◽  
Author(s):  
Stellan Ohlsson
Keyword(s):  
Deep Learning

Intelligence artificielle : le futur de l’Orthodontie ?

2019 ◽  
Vol 53 (3) ◽  
pp. 281-294
Author(s):  
Jean-Michel Foucart ◽  
Augustin Chavanne ◽  
Jérôme Bourriau
Keyword(s):  
Big Data ◽  
Deep Learning ◽  
Intelligence Artificielle ◽  
Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

EFFECTIVENESS OF ARTIFICIAL INTELLIGENCE USING DEEP LEARNING FOR DETECTING GASTRIC CANCER IN ENDOSCOPIC IMAGES

2018 ◽  
Author(s):  
T Hirasawa ◽  
K Aoyama ◽  
J Fujisaki ◽  
T Tada
Keyword(s):  
Artificial Intelligence ◽  
Gastric Cancer ◽  
Deep Learning ◽  
Endoscopic Images

Vollautomatische Quantifizierung der Volumina und Funktion des linken Ventrikels in der kardialen MRT: Evaluation eines Deep-Learning basierten Algorithmus

2020 ◽  
Author(s):  
B Böttcher ◽  
E Beller ◽  
A Busse ◽  
F Streckenbach ◽  
M Weber ◽  
...  
Keyword(s):  
Deep Learning

Primäre ZNS-Lymphome: Vollautomatisierte Detektion und Segmentierung auf multiparametrischen MRT-Datensätzen mittels Deep-Learning

2020 ◽  
Author(s):  
L Pennig ◽  
L Lourenco Caldeira ◽  
C Hoyer ◽  
L Görtz ◽  
R Shahzad ◽  
...  
Keyword(s):  
Deep Learning

Computertomografie: Bildrekonstruktion mit Deep Learning in der klinischen Routine

2020 ◽  
Author(s):  
A Heinrich ◽  
M Engler ◽  
D Dachoua ◽  
U Teichgräber ◽  
F Güttler
Keyword(s):  
Deep Learning

AUTOMATED POLYP SIZE ESTIMATION WITH DEEP LEARNING REDUCES OVERESTIMATION BIAS

2020 ◽  
Author(s):  
J Suykens ◽  
T Eelbode ◽  
J Daenen ◽  
P Suetens ◽  
F Maes ◽  
...  
Keyword(s):  
Deep Learning ◽  
Size Estimation ◽  
Polyp Size
Sign in / Sign up

Export Citation Format

Share Document