一个框架,用于提高分类器在检测前列腺癌从微阵列基因基因的性能

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 前列腺癌 (PCa) 对男性来说是一个重大的全球健康挑战.
• 早期检测和准确的诊断对于有效的治疗和改善患者结果至关重要.
• 目前对PCa的微阵列基因数据分析可能耗时.

研究的目的:

• 为了比较PCa检测的各种特征提取和选择方法.
• 为了加快分析PCa. microarray基因数据的分析.
• 确定最优的方法来将瘤分类为正常或异常.

主要方法:

• 特征提取技术:预期最大化 (EM),非线性回归 (NLR),K-平均值,主要组件分析 (PCA) 和离散等边变换 (DCT).
• 特性选择策略:波搜索 (HS),火虫算法 (FA) 和大象群群优化 (EHO).
• 分类器:随机森林,决策树,Adaboost,XGBoost和支持向量机 (SVM) 具有线性,多项式和辐射基础函数内核.

主要成果:

• 该研究评估了带有和没有特征选择的分类器的性能.
• 将特征提取的离散等边变换 (DCT) 和特征选择的象群优化 (EHO) 结合起来,获得了最高的准确性.
• 带有辐射基函数内核的支持向量机 (SVM) 实现了94.8%的准确率和5.15%的错误率.

结论:

• 优化的方法显著提高了从微阵列基因数据检测前列腺癌的准确性.
• 集成先进的特征提取和选择算法增强了诊断能力.
• 这种方法为更快,更准确的PCa诊断提供了一个有希望的途径.