使用白血病微阵列基因数据和Chi2特征与加权卷积神经网络改进血癌的预测
Ebtisam Abdullah Alabdulqader1, Aisha Ahmed Alarfaj2, Muhammad Umer3
1Department of Information Technology, College of Computer and Information Sciences, King Saud University, P. O. Box 800, 11421, Riyadh, Saudi Arabia.
Scientific reports
|July 7, 2024
概括
这项研究引入了一种使用机器学习和基因数据的自动化血液癌症诊断系统. 一个新的加权卷积神经网络实现了99.9%的准确性,改善了早期检测能力.
科学领域:
- * 计算生物学和生物信息学
- * 医学诊断和机器学习
背景情况:
- * 血液癌症的诊断目前是昂贵和耗时的.
- *急需自动化,准确的诊断系统.
- * 现有的机器学习方法用于白血病诊断需要进一步改进.
研究的目的:
- * 开发一个监督的机器学习算法,用于准确预测血液癌症.
- * 解决白血病微阵列数据中不平衡和高维数据集的挑战.
- * 提出一种新的加权卷积神经网络 (CNN) 模型,用于增强分类.
主要方法:
- *使用了22,283基因白血病微阵列数据.
- * 采用Chi-squared (Chi2) 进行特征选择和SMOTE-Tomek进行数据重新采样.
- * 开发了一个加权的CNN模型,整合了三个单独的CNN进行分类.
主要成果:
- * 建议的加权CNN模型与Chi2和SMOTE-Tomek相结合,实现了99.9%的准确性.
- * 与最先进的技术相比,表现出卓越的性能.
- *K-fold交叉验证结果证实了该模型的高疗效.
结论:
- *开发的自动化系统显著提高了血液癌症预测的准确性.
- *加权CNN方法有效地处理复杂的基因组数据集.
- * 这种方法为及时和高效的血液癌症诊断提供了有希望的解决方案.
