通过连续使用混合特征选择的新和创新的癌症分类框架

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
• 医疗信息学 医疗信息学

背景情况:

• 早期癌症预测对于有效的治疗和患者的治疗结果至关重要.
• 基因表达数据集由于高维度和有限的样本,经常带来挑战,需要有效的特征选择.
• 识别相关基因是准确癌症诊断,个性化治疗策略和了解疾病机制的关键.

研究的目的:

• 提出一种新的混合基因选择技术,以改善早期癌症分类.
• 通过减少冗余的基因特征来提高癌症预测模型的准确性和效率.
• 为了利用元启发算法和深度学习来进行强大的癌症亚型识别.

主要方法:

• 一种混合CSSMO (Cuckoo Search Algorithm和蜘蛛优化) 算法被开发用于有效的基因选择.
• 使用最小冗余最大相关性 (mRMR) 来精制选定的基因子集,减少噪音和冗余.
• 深度学习模型被用来根据所选基因表达特征对癌症亚型进行分类.
• 该方法在八个不同的微阵列基因表达数据集上得到了验证.

主要成果:

• 提出的CSSMO-mRMR基因选择方法显著提高了早期癌症预测的分类准确性.
• 在所有测试的数据集中,混合方法在与现有的深度学习和机器学习模型相比显示出更高的性能.
• 包括回忆,精度,F1得分和混矩阵在内的评估指标证实了拟议方法的有效性.

结论:

• 与深度学习相结合的CSSMO-mRMR基因选择技术为准确的早期癌症分类提供了强大的工具.
• 这种方法有效地解决了高维基因表达数据的挑战,为改进的诊断和预后工具铺平了道路.
• 这些发现表明,在开发更精确和个性化的癌症治疗策略方面,这是一个有前途的方向.