一种生物灵感的卷积神经网络架构,用于自动检测和分类乳腺癌,使用RNA-Seq基因表达数据

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
• 在瘤学瘤学.

背景情况:

• 乳腺癌是妇女的全球领先健康挑战,需要早期检测以获得有效治疗和改善生存率.
• 基因表达数据具有高维度等复杂性,对准确的乳腺癌检测提出了挑战.
• 早期诊断对于确定新的治疗选择,提高患者的生活质量和增加生存率至关重要.

研究的目的:

• 通过基因表达数据提出一个生物灵感的卷积神经网络 (CNN) 模型,用于增强乳腺癌检测.
• 解决基因表达数据的复杂性,包括维度和偏差,以提高诊断准确性.
• 评估拟议模型的性能与传统的CNN和其他混合算法相比.

主要方法:

• 利用了来自癌症基因组图谱 (TCGA) 的基因表达数据,包括1208个样本 (113个正常,1095个癌症) 含19,948个基因.
• 实现了数组对数组强度相关性 (AAIC),用于数据预处理的异常值移除和规范化.
• 应用基因过 (值为0.25),图像转换和灰度转换,然后使用混合CNN-埃博拉优化搜索算法 (EOSA) 模型.

主要成果:

• 拟议的混合CNN-EOSA模型实现了高分类性能:98.3%的准确性,99%的精度,99%的回忆,99%的F1得分,90.3%的卡帕,92.8%的特异性和98.9%的癌症类敏感性.
• 在乳腺癌检测方面表现优于传统的CNN和其他混合模型,包括WOA-CNN,GA-CNN,SBO-CNN,LCBO-CNN和MVO-CNN.
• 证明了生物启发方法在处理复杂的基因表达数据以进行可靠检测方面的有效性.

结论:

• 提出的生物灵感CNN模型与埃博拉优化搜索算法 (EOSA) 显示出作为乳腺癌检测可靠和精确工具的巨大潜力.
• 该方法有效地解决了基因表达数据的挑战,为改善早期诊断铺平了道路.
• 这种方法支持个性化治疗,提供准确的检测,对于及时有效的患者管理至关重要.