通过混合深度神经网络提高癌症阶段预测:一项比较性研究

科学领域:

• * 计算生物学 * 计算生物学
• * 生物信息学是一门学科.
• *人工智能在瘤学中的应用

背景情况:

• * 早期癌症检测和治疗对于改善患者的治疗结果和预防疾病进展至关重要.
• *人工智能 (AI) 对晚期癌症诊断有前途,但数据有限和过度匹配等挑战阻碍了基因组的精确癌症阶段预测.
• *现有的方法往往难以应对基因组和临床数据的复杂性和维度,以准确地确定癌症的阶段.

研究的目的:

• * 开发和评估一种创新的混合深度神经网络方法,用于预测早期和晚期癌症.
• * 克服当前癌症阶段诊断方法的局限性,特别是那些依赖基因组分析的方法.
• * 通过使用集成的多omics数据,提高癌症分期的准确性和可靠性.

主要方法:

• *使用TensorFlow和Keras集成混合深度神经网络.
• *新的方法结合了遗传算法,极端学习机器 (ELM) 和深度信念网络 (DBN).
• * 基于癌症基因组图谱 (TCGA) 数据对两个进化技术 (DBN-ELM-BP和DBN-ELM-ELM) 的评估,包括mRNA,miRNA,DNA甲基化和临床信息.

主要成果:

• * 拟议的混合模型在区分早期和晚期癌症方面实现了卓越的预测准确性,从89.35%到98.75%,在早期和晚期癌症之间区分.
• *比较分析表明,开发的混合方法优于使用相同TCGA数据集的现有技术.
• *这些模型有效地整合了各种数据类型 (基因表达,甲基化,miRNA,临床数据) 以实现可靠的癌症分期.

结论:

• *新的混合深度神经网络方法显著提高了癌症阶段预测的准确性.
• * 这种方法为精确的癌症诊断提供了有前途的解决方案,解决了以前技术的局限性.
• *这些发现突出了将AI与多omics数据集成的潜力,以改善瘤学研究和临床应用.