最適化されたがん分類：特徴選択と深層学習アプローチのメタヒューリスティック駆動レビュー

科学分野:

• 計算生物学
• 医療情報学
• バイオインフォマティクス

背景:

• 早期のがん検出は生存率を大幅に向上させるため、自動分類法の必要性が高まっている。
• 医用画像およびマイクロアレイ遺伝子発現データはがん検出に不可欠であるが、ノイズが多いか冗長な特徴を含むことが多い。
• 特徴選択と深層ニューラルネットワーク（DNN）の最適化は、がん分類における精度向上と計算コスト削減に不可欠である。

研究 の 目的:

• がん分類における特徴選択とDNN最適化のためのメタヒューリスティックアルゴリズムに関する文献を調査すること。
• これらの手法を医用画像およびマイクロアレイ遺伝子発現データに適用して分析すること。
• 計算的手法のがん検出における改善のための研究ギャップを特定し、将来の方向性を提案すること。

主な方法:

• 2012年から2025年までに発表された91の査読付き論文の包括的な文献レビュー。
• Google Scholar、IEEE Xplore、Elsevierなどの主要な科学データベースを体系的に検索。
• 一般的に使用される分類器（kNN、SVM、CNN）とメタヒューリスティックアルゴリズム（PSO、GA、ACO）の分析。

主要な成果:

• k近傍法（kNN）、サポートベクターマシン（SVM）、畳み込みニューラルネットワーク（CNN）が最も一般的な分類器である。粒子群最適化（PSO）、遺伝的アルゴリズム（GA）、アリコロニー最適化（ACO）が主要なメタヒューリスティックアルゴリズムである。レビューでは、39の画像ベースのがんデータセットと44のマイクロアレイがんデータセットを分析し、それらの利用における傾向を指摘した。

結論:

• メタヒューリスティックアルゴリズムは、がん分類のためのDNNの最適化と特徴選択の実行において重要な役割を果たしている。
• モデルの堅牢性と分類精度の向上には重要な研究ギャップがあり、さらなる革新が必要である。
• 本研究は、計算のがん検出と診断における研究者および意思決定者に貴重な洞察を提供する。