基于混合特征选择和注意力卷积神经网络的肺腺癌鉴定
Kunpeng Li1, Zepeng Wang1, Yu Zhou1
1School of Information Engineering, Gansu University of Chinese Medicine, Lanzhou 730000, China.
Mathematical biosciences and engineering : MBE
|March 8, 2024
概括
这项研究引入了一种新的深度学习模型,LATCNN,用于使用基因表达数据早期检测肺腺癌. 该模型准确地识别了关键基因,大大提高了这种慢性非小细胞肺癌的诊断能力.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 早期检测肺腺癌,一种慢性非小细胞肺癌,对于有效治疗至关重要.
- 分析瘤基因表达数据为早期检测提供了一个有希望的途径,但面临着小样本大小,高维度和噪音等挑战.
- 现有的方法很难有效地处理复杂的基因表达数据,以准确地预测肺腺癌.
研究的目的:
- 开发一种深度学习模型,用于准确地预测肺腺癌和识别关键基因.
- 解决基因表达数据分析的挑战,包括特征选择和类别不平衡.
- 改善肺腺癌的早期检测和治疗策略.
主要方法:
- 提出了一个肺腺癌卷积神经网络 (LATCNN) 模型,该模型包含混合特征选择算法.
- 使用基于快速关联的过器 (FCBF) 和k-means-SMOTE用于初始特征过和解决类不平衡.
- 增强的粒子集群优化 (PSO) 具有动态惯性权重和CART作为精细特征选择的适应性函数,其次是注意力卷积神经网络 (atCNN) 分类器.
主要成果:
- 拉特CNN模型有效地减少了肺腺癌基因表达数据中的特征尺寸.
- 成功识别了12个关键基因,精度高 (99.70%),回忆力高 (99.33%),F1得分高 (99.98%),MCC高 (98.67%).
- 与其他现有模型相比,实现了优越的性能指标,展示了显著的进步.
结论:
- LATCNN提供了一种有效的深度学习方法,用于准确预测肺腺癌和关键基因识别.
- 建议的混合特征选择和基于注意力的CNN模型克服了分析复杂基因表达数据的局限性.
- 这项研究对推进肺腺癌的早期检测和治疗策略具有重大意义.
