机器学习模型的比较评估,用于分类三阴性乳腺癌:基于深度学习的多omics数据集成方法
Shufang Yang1, Zihui Wang1, Changfu Wang1
1Department of Imaging, Huaihe Hospital of Henan University, Kaifeng 475000, P. R. China.
Journal of Cancer
|June 24, 2024
概括
一个新的深度学习 (DL) 模型整合了多omics数据,可以准确预测三阴性乳腺癌 (TNBC) 亚型和预后. 这种先进的模型比单一的omics方法表现出更高的性能,提供了改进的TNBC分类和患者结果预测.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 人工智能的人工智能
背景情况:
- 三重阴性乳腺癌 (TNBC) 由于其侵略性而带来诊断挑战.
- 现有的TNBC预测模型通常在数据集成和准确性方面面临局限性.
研究的目的:
- 开发和验证一种创新的深度学习 (DL) 模型,用于使用多omics数据增强TNBC亚型和预后预测.
- 为了比较多omicsDL模型与单omics和radiomics方法的性能.
主要方法:
- 从TCGA和TCIA数据库收集了多omics数据 (mRNA,miRNA,基因突变,DNA甲基化) 和MRI图像.
- 开发了一个用贝叶斯优化优化的DL模型,用于多omics数据集成.
- 将DL模型与单个omics机器学习模型和MRI放射学模型进行比较.
主要成果:
- 多omics DL 模型实现了高精度:98.0% (交叉验证),97.0% (验证集) 和91.0% (外部测试集) 的TNBC亚型预测.
- 与MRI放射学相比,DL模型展示了优越的数据一致性和数字处理能力,特别是在转移测试中.
- 单个omics模型的性能低于集成的多omicsDL模型.
结论:
- 开发的多学科DL模型为TNBC分类和预后的统计性能和转移学习提供了显著的进步.
- 这些发现突显了多omics数据和DL算法的潜力,以改善TNBC管理.
- 为了强大的跨数据集应用,需要进一步优化放射学模型.
关键词:
人工智能的人工智能贝叶斯式优化 贝叶斯式优化深度学习 (Deep Learning) 是一种深度学习.磁共振成像是一种磁共振成像技术.多个omics的多个omics.多态学分析多态学分析预测模型的预测模型三重阴性乳腺癌是什么?更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
09:53Quantifying the Brain Metastatic Tumor Micro-Environment using an Organ-On-A Chip 3D Model, Machine Learning, and Confocal Tomography
Published on: August 16, 2020
7.2K
