[卷积神经网络用于分类元相染色体的应用]
Lingling Xu1, Ying Zhou, Lichao Zhang
1Laboratory for Comprehensive Prevention and Treatment of Birth Defects, Ningbo Maternal and Child Health Care Hospital, Ningbo, Zhejiang 315012, China. lihaibo-775@163.com.
概括
一种深层卷积神经网络 (CNN) 模型准确地分类了基因相染色体,显著减少了工作量,并提高了染色体疾病监测的核型定型效率.
科学领域:
- 遗传学 遗传学 是一个
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 染色体异常是遗传疾病的关键指标.
- 准确和高效的型定型对于诊断染色体疾病至关重要.
- 手动染色体分析是耗时和劳动密集的.
研究的目的:
- 开发和评估深层卷积神经网络 (CNN) 用于自动化基因相染色体分类.
- 与传统方法相比,评估CNN模型的准确性和效率.
主要方法:
- 在3300组染色体图像 (70%的训练,30%的测试) 上进行了深度CNN的训练.
- 模型的准确性被评估为染色体计数和自动化型 (切割,识别,排列,分析).
- 性能与人类遗传学家使用80张额外的图像进行了比较.
主要成果:
- 美国有线电视新闻网 (CNN) 在自动化化类型测试中实现了96.16%的准确性.
- 染色体计数的准确率为61.81%.
- 美国有线电视新闻网 (CNN) 模型显著减少了分类时间,并且显示了 karyotyping 精度仅比遗传学家低3.58%.
结论:
- 开发的CNN模型在染色体分类中表现出高性能.
- 该模型大大减少了染色体细分和分类的工作量.
- 这项技术为提高染色体胆型定型效率提供了广泛的应用前景.
