相关实验视频
Updated: Jul 8, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
一个信息融合系统驱动的深度神经网络,适用于癌症死亡率风险估计
IEEE transactions on neural networks and learning systems
|December 20, 2023
概括
一个新的模糊信息融合系统有效地从下一代测序数据中识别癌症死亡风险基因. 这种计算方法提高了癌症风险估计,并揭示了头部和部状细胞癌的潜在治疗点.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 下一代测序 (NGS) 为医疗应用提供高通量基因组数据.
- 使用基因组数据估计癌症死亡风险在计算上具有挑战性,因为效率和风险整合问题.
研究的目的:
- 开发一种先进的计算方法来识别与死亡相关的基因.
- 通过融合多个深度学习风险评分来改善癌症死亡风险估计.
- 解释特征意义,时间变化的效应和预测器相互作用.
主要方法:
- 提出了一个基于模糊系统的信息融合系统.
- 模糊规则集成了深度学习风险评分,时间变化的效应和风险分层.
- 该系统使用头部和部状细胞癌 (HNSCC) 患者的基因组数据进行了评估.
主要成果:
- 计算方法证明了在识别HNSCC.中与死亡风险相关的基因的最佳能力.
- HNSCC的死亡率与炎症反应,IL-17A信号传递,星状细胞激活和ERK5信号通路有关.
- 拟议的系统有效地促进了与癌症死亡率相关的高风险基因的确定.
结论:
- 该研究提出了一种有效的方法来估计癌症死亡风险和识别与死亡相关的基因.
- 已识别的途径表明,HNSCC.的潜在免疫学或抗血管原治疗点.
- 信息融合系统提高了用于癌症风险评估的基因组数据分析的准确性和解释性.
