一个高效的二进制沙猫群优化,用于高维度生物医学数据中的特征选择

科学领域:

• 生物医学数据分析
• 生物信息学是一种生物信息学.
• 机器学习在医疗保健中的应用

背景情况:

• 生物医学中的大数据为疾病诊断和患者护理提供了潜力.
• 维度的诅咒在分析复杂的生物医学数据集方面构成了重大挑战.
• 有效的特征选择对于从高维度生物医学数据中提取相关信息至关重要.

研究的目的:

• 引入一种新的算法,PILC-BSCSO,用于在生物医学大数据中增强特征选择.
• 使用基于针孔成像的学习策略和交叉操作员来解决维度的诅咒.
• 通过有效的数据分析,提高疾病诊断和患者护理管理的准确性.

主要方法:

• 通过将针孔成像学习策略和交叉运算符集成到二进制沙猫群优化 (BSCSO) 算法中,开发了PILC-BSCSO.
• 使用带有线性内核的支持矢量机 (SVM) 分类器来评估分类准确性.
• 使用三个公共医疗数据集验证算法,包括结肠癌和肝肝细胞癌 (TCGA-HCC) 数据.

主要成果:

• 在分类准确性和特征选择方面,PILC-BSCSO超越了11种最先进的技术.
• 仅使用10个基因,实现了结肠癌100%的分类准确性.
• 从TCGA数据中确定了一组五个基因子集,包括HMMR,CHST4和COL15A1,具有强大的肝癌预测潜力.

结论:

• PILC-BSCSO是一种高效的方法,用于在高维度生物医学数据中进行特征选择.
• 该算法在疾病分类准确度方面取得了显著的改进,特别是在诸如结肠癌等具有挑战性的病例中.
• PILC-BSCSO有望通过精确的生物标志物识别来推进个性化医疗和改善患者的治疗结果.