深度学习的自动化利用用于跨多种类型的癌症患者分层

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 医学中的人工智能.

背景情况:

• 深度学习模型需要专家设计的架构来从基因表达数据中识别癌症亚型.
• 手动优化深度学习网络是耗时和资源密集的.

研究的目的:

• 开发一个完全自动化的深度神经架构搜索 (DNAS) 模型,用于从基因表达数据中诊断共识分子亚型.
• 克服手动深度学习模型设计和优化的局限性.

主要方法:

• 提出了一个深度神经架构搜索 (DNAS) 模型,利用殖民地算法进行启发式小群智能.
• 使用DNAS在癌症诊断的定义搜索空间内自动搜索和优化神经网络架构.

主要成果:

• 在8个结直肠癌数据集中,DNAS的平均准确度为95.48%,特异性为98.07%,灵敏度为96.24%.
• 在肺癌和乳腺癌数据集上证明了普遍适用性,分别达到95%和96%的曲线下的面积.
• 基因本体学丰富和病理学分析为癌症亚型的识别和表征提供了洞察力.

结论:

• 使用基因表达数据,DNAS为癌症亚型诊断提供了一种自动化和高效的方法.
• 该模型在多种癌症类型和平台上的高性能凸显了其临床应用的潜力.
• 开发的DNAS框架及其Web服务器为研究人员和临床医生提供了可访问的资源.