通过微阵列基因检测糖尿病,增强分类器的性能
Dinesh Chellappan1, Harikumar Rajaguru2
1Department of Electrical and Electronics Engineering, KPR Institute of Engineering and Technology, Coimbatore 641 407, Tamil Nadu, India.
Diagnostics (Basel, Switzerland)
|August 26, 2023
概括
这项研究引入了一种使用基因数据检测II型糖尿病的新方法. 最好的方法结合了Chi2pdf的维度减小,粒子群优化和支持向量机分类器,达到91%的准确性.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 糖尿病是一种广泛的慢性疾病,需要及时检测才能有效管理.
- 早期发现II型糖尿病对于患者的治疗和改善健康结果至关重要.
- 微阵列基因数据为开发先进的诊断工具提供了丰富的来源.
研究的目的:
- 提出和评估一种新的计算方法来识别II型糖尿病.
- 用基因表达数据提高糖尿病检测方法的性能.
- 为了比较各种维度缩小,特征选择和分类技术的有效性.
主要方法:
- 应用了四种缩小维度的技术:趋势波动分析 (DFA),奇方位概率密度函数 (Chi2pdf),火算法和Cuckoo Search.
- 使用元启发算法,粒子集群优化 (PSO) 和和性搜索 (HS),用于特征选择.
- 采用了七种分类器:非线性回归 (NLR),线性回归 (LR),物流回归 (LoR),高斯混合模型 (GMM),贝叶斯线性差异分类器 (BLDC),软马克斯差异分类器 (SDC) 和支持向量机-辐射基函数 (SVM-RBF).
主要成果:
- 通过使用包括准确性,回忆,精度,F1分数,错误率,马修斯相关系数 (MCC),贾卡德指数和kappa等指标来评估分类器性能.
- 带有辐射基函数 (SVM-RBF) 的支持向量机器分类器,结合Chi2pdf的维度减小和PSO特征选择,实现了最高准确率91%.
- 这种最佳组合也产生了0.7961的卡帕统计数据,显示出比其他测试方法更优异的性能.
结论:
- 拟议的混合方法整合了Chi2pdf的维度减少,PSO特征选择和SVM-RBF分类,对于从微阵列基因数据中检测II型糖尿病非常有效.
- 这种方法为糖尿病的计算诊断提供了有希望的进步.
- 这些发现突显了先进的机器学习技术在分析复杂的基因组数据以识别疾病方面的潜力.
更多相关视频
06:50A High-Throughput Electrochemiluminescence 7-Plex Assay Simultaneously Screening for Type 1 Diabetes and Multiple Autoimmune Diseases
Published on: May 29, 2020
2.6K
13:21Chemically-blocked Antibody Microarray for Multiplexed High-throughput Profiling of Specific Protein Glycosylation in Complex Samples
Published on: May 4, 2012
15.8K
