使用STFT LASSO和EHO特征提取从微阵列基因表达的方法进行结肠癌的元启发式集成机器学习分类
Ajin R Nair1,2, Harikumar Rajaguru3,4, M S Karthika5,4
1Department of Electronics and Communication Engineering, Bannari Amman Institute of Technology, Sathyamangalam, India. ajinrnair@bitsathy.ac.in.
Scientific reports
|July 17, 2024
概括
这项研究引入了新的特征提取方法,包括短期里埃转换 (STFT),最小绝对收缩和选择运算符 (LASSO) 和大象群群优化 (EHO),以减少微阵列基因表达数据的维度,以改进肺癌分类.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 医疗保健中的机器学习
背景情况:
- 微阵列基因表达数据提出了一个高维的挑战,往往导致过拟合和降低分类准确性.
- 有效的维度减小对于提高基因组学预测模型的可解释性和性能至关重要.
研究的目的:
- 调查短期里埃变换 (STFT),最小绝对缩小和选择运算符 (LASSO) 和大象群优化 (EHO) 在肺癌微阵列数据中特征提取的有效性.
- 通过优化特征选择和缩小维度,提高肺癌分类准确性和可解释性.
主要方法:
- 应用STFT,LASSO和EHO来从肺癌微阵列数据集中提取特征.
- 使用了各种分类器,包括高斯混合模型 (GMM),粒子集群优化 (PSO) -GMM,定向波动分析 (DFA),天真贝叶斯分类器 (NBC),火-GMM,带有辐射基内核的支持向量机 (SVM-RBF) 和花授粉优化 (FPO) -GMM进行分类.
主要成果:
- 结合EHO特征提取和FPO-GMM分类,获得了最高的准确性 (96.77%),F1得分为97.5,MCC为0.92,卡帕为0.92.
- 证明了STFT,LASSO和EHO在减少数据维度和识别重要特征方面的有效性.
结论:
- 拟议的STFT,LASSO和EHO方法显著改善了微阵列基因表达数据的特征提取和维度减少.
- 这些先进的技术有助于更准确和可解释的肺癌早期诊断.
