使用Runge-Kutta和Gaussian采样进行增强的PSO特征选择,以精确预测胃癌复发情况
Jungang Zhao1, JiaCheng Li1, Jiangqiao Yao1
1Department of Hepatobiliary Surgery, The First Affiliated Hospital of Wenzhou Medical University, Wenzhou, Zhejiang, China.
Computers in biology and medicine
|April 26, 2024
概括
这项研究介绍了bRSPSO-FKNN,这是预测胃癌 (GC) 复发的新型模型. 该模型增强了早期检测,改善了患者的治疗结果和治疗策略.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 胃癌 (GC) 由于微妙的早期症状和快速进展而带来挑战.
- 手术后复发显著降低了患者的生存率.
- 及时检测和管理GC复发对于有效治疗至关重要.
研究的目的:
- 开发和评估一种增强的特征选择模型,用于预测胃癌复发.
- 提高对GC复发的早期预警系统的准确性和效率.
主要方法:
- 提出了一个增强的特征选择模型,bRSPSO-FKNN,将增强的粒子群优化 (RSPSO) 与模糊的k-最近邻居 (FKNN) 结合起来.
- 集成的Runge-Kutta搜索和高斯取样,以提高模型准确性和搜索性能.
- 在CEC 2014测试套件上对复杂的粒子群优化变体进行模型性能评估.
主要成果:
- 与其他粒子群优化变体相比,bRSPSO-FKNN模型表现出卓越的性能.
- 在胃癌复发预测中达到高达82.082%的准确性和86.185%的特异性.
- 该模型显示了改善GC复发早期预警系统的巨大潜力.
结论:
- bRSPSO-FKNN模型为预测胃癌复发提供了精确有效的方法.
- 这一进步可以导致更早的干预和改善患者的治疗策略.
- 该模型有望提高胃癌的临床管理.
