基于多视图多路图学习的乳腺癌生存预测的智能生物传感器
Wenming Ma1, Mingqi Li1, Zihao Chu1
1School of Computer and Control Engineering, Yantai University, Yantai 264005, China.
Sensors (Basel, Switzerland)
|June 19, 2024
概括
这项研究引入了一种新的智能生物传感器,使用多视图多向图形学习 (MVMWGL) 进行准确的乳腺癌生存预测. MVMWGL方法有效地整合了基因相互作用和生物传感器数据,优于现有方法.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 生物传感器对于通过生物和物理过程检测癌症信号至关重要.
- 乳腺癌以不受控制的细胞增殖为特征,显著影响女性的健康和生存率.
- 准确的生存时间预测对于优化乳腺癌治疗策略至关重要.
研究的目的:
- 开发一种先进的生物传感器架构,用于预测乳腺癌生存时间.
- 解决传统机器学习和深度学习方法在特征提取和关系利用方面的局限性.
- 提出一种新的多视图多路图形学习 (MVMWGL) 方法,以提高预测准确度.
主要方法:
- 智能生物传感器架构与多视图多路图形学习 (MVMWGL) 模型的集成.
- 在MVMWGL框架内,从基因相互作用和生物传感器相似性中获得的见解的同化.
- 综合评估使用现实世界乳腺癌数据.
主要成果:
- 拟议的MVMWGL方法在预测乳腺癌存活时间方面表现出卓越的表现.
- 实验结果证实了整合基因相互作用和生物传感器相似性数据的有效性.
- 这种新的架构显著超过了现有的生物传感器和机器学习方法.
结论:
- 与MVMWGL集成的智能生物传感器为乳腺癌生存预测提供了有希望的进步.
- 这种方法提高了利用复杂特征关系以改善临床结果的能力.
- 该研究强调了先进的图形学习技术在癌症预后的生物传感应用中的潜力.
