通过深度学习进行染色体分类,并将其应用于染色体结构异常的患者

科学领域:

• 遗传学和基因组学 遗传学和基因组学
• 计算生物学 计算生物学
• 医学诊断 医学诊断 医学诊断

背景情况:

• 型鉴定对于诊断遗传疾病至关重要,但通常是手动的,缓慢的,容易出现错误.
• 目前的临床型化方法在时间和准确性方面存在重大挑战.

研究的目的:

• 开发一种用于染色体分类的自动化,单阶段深卷积神经网络 (DCNN) 模型.
• 为了实现正常和异常染色体的端到端分类,提高诊断效率.

主要方法:

• 分析了2,424个正常和544个异常染色体的数据集.
• 一个初步的支持矢量机 (SVM) 模型被用于基线性能评估.
• 开发了一个深度卷积神经网络 (DCNN) 模型,并应用于相同的数据集.

主要成果:

• DCNN模型在分类24个正常染色体方面实现了91.75%的准确性,超过了SVM的86.01%的性能.
• 对于32种正常和异常染色体,DCNN模型的准确率达到87.76%,而SVM的准确率为85.37%.
• 区分八种常见结构异常的准确度在90.84%至100%之间,AUC值在91.81%至100%之间.

结论:

• 拟议的DCNN模型为型分类提供了一个有效的端到端解决方案.
• 这种人工智能工具可以作为一种有价值的预测工具,用于检测异常的型,而无需手动的特征提取.
• 该DCNN模型有潜力降低成本,提高临床遗传选和诊断的效率.