相关实验视频
Updated: Jul 8, 2025
08:49
A 3D Organotypic Melanoma Spheroid Skin Model
Published on: May 18, 2018
15.8K
一个基于集体的深度学习模型,用于检测导致皮肤黑色素瘤的突变
Asghar Ali Shah1, Ayesha Sher Ali Shaker2, Sohail Jabbar3
1Department of Computer Science, Bahria University, Islamabad, Pakistan.
Scientific reports
|December 14, 2023
概括
一个新的深度学习模型有效地检测皮肤黑色素瘤突变,以便早期诊断. 这种方法整合了多个重复的神经网络架构,显著提高了诊断准确性,并帮助评估治疗有效性.
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
- 皮肤病学 皮肤病学
背景情况:
- 皮肤黑色素瘤是一种致命的皮肤癌,由黑色素细胞突变引起,受遗传学和环境因素的影响.
- 早期检测对于改善黑色素瘤生存率至关重要.
- 当前的计算机辅助诊断系统缺乏令人满意的准确性,医学成像因缺乏标记数据而受到影响,需要通用分类器.
研究的目的:
- 提出一种基于组合的深度学习 (BEDLM-CMS) 模型,用于检测皮肤黑色素瘤突变.
- 集成长期短期内存 (LSTM),双向LSTM (BLSTM) 和门式循环单元 (GRU) 架构,以提高诊断性能.
- 解决现有系统的局限性,包括准确性问题和数据稀缺性.
主要方法:
- 利用了一个包含2608个人类样本和75个基因6778个突变的数据集,专注于突出的生物标志物基因.
- 采用多种特征提取技术来识别重要的遗传标记.
- 通过网格搜索优化应用深度学习模型,包括LSTM,BLSTM和GRU,集成到BEDLM-CMS框架中.
主要成果:
- BEDLM-CMS模型实现了高准确率:在独立集合测试中达到97%,在自我一致性测试中达到94%,在十倍交叉验证中达到93%.
- 个别架构表现出强的表现:BLSTM (99%的独立集,98%的自我一致性,93%的十倍交叉验证),LSTM (96%的自我一致性,94%的独立集,92%的十倍交叉验证) 和GRU (94%的独立集,93%的自我一致性,91%的十倍交叉验证).
- 该模型展示了通过十倍交叉验证,独立集合测试和使用准确性,特异性和灵敏度等指标的自我一致性测试来验证的稳定性.
结论:
- 拟议的BEDLM-CMS模型显示了皮肤黑色素瘤早期诊断的巨大潜力.
- 集成LSTM,BLSTM和GRU架构提供了一种强大的方法来克服当前的诊断挑战.
- 这些发现支持BEDLM-CMS模型在早期诊断和评估皮肤黑色素瘤治疗疗效方面的有效性.
