机器学习和卷积神经网络分类器的评估和探索,用于从微阵列基因-A范式转移中检测肺癌

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 微阵列基因表达分析对于疾病检测至关重要,但面临着大量,非线性数据和噪声的挑战.
• 从复杂的基因表达特征来准确地分类疾病仍然是一个重大障碍.

研究的目的:

• 开发和评估一个强大的双层战略,以加强微阵列数据中的特征提取和选择.
• 通过使用基因表达特征来提高分类肺腺癌和甲状腺瘤的准确性.

主要方法:

• 利用肺哈佛2数据集 (LH2),包括150名腺癌和31名间皮瘤受试者.
• 用于特征提取的短期里叶变换 (STFT),以及用于特征选择的粒子群优化 (PSO) 和波搜索 (HS).
• 与各种分类器进行比较,包括SVM (RBF),天真贝叶斯和卷积神经网络 (CNN),与提取的特征和原始数据进行比较.

主要成果:

• 结合STFT用于特征提取和PSO用于特征选择,其次是SVM (RBF) 分类器,获得了最高的分类准确率94.47%.
• 拟议的两级战略显著优于原始数据分类,证明了针对性特征工程的有效性.

结论:

• 拟议的STFT-PSO-SVM (RBF) 方法提供了一种高度准确和有效的方法,用于从复杂的基因表达数据中检测和分类疾病.
• 该战略解决了微阵列数据中非线性和噪声的挑战,为更可靠的诊断工具铺平了道路.