使用卷积神经网络和蛋白质组成预测白血病
Seher Ansar Khawaja1, Muhammad Shoaib Farooq1, Kashif Ishaq1
1School of System and Technology, University of Management and Technology, Lahore, 54000, Pakistan.
BMC cancer
|July 26, 2024
概括
这项研究引入了深层卷积神经网络 (CNN),用于使用蛋白质表达来检测白血病. 该CNN模型实现了高精度,在识别白血病模式方面表现优于其他方法.
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:
- 白血病是一种起源于骨髓的血细胞癌症,急性和慢性形式进一步分为淋巴细胞和髓类型.
- 准确和早期发现白血病对于有效的治疗和患者的治疗结果至关重要.
研究的目的:
- 通过使用蛋白质表达数据,评估深层卷积神经网络 (CNN) 分类器,以提高白血病识别精度.
- 将CNN的性能与其他机器学习模型进行比较,包括多层感知器 (MLP),门式循环单元 (GRU) 和循环神经网络 (RNN).
主要方法:
- 利用白血病患者的蛋白质表达数据进行分类任务.
- 采用了各种特征提取技术,包括氨基酸组合 (AAC),AAC组合 (GAAC),三组合 (TPC),TPC组合 (GTPC) 和二组合 (DPC).
- 使用独立性和交叉验证测试实施和验证模型,分析接收器操作特征 (ROC) 曲线.
主要成果:
- 与MLP,GRU和RNN相比,CNN模型在独立性和交叉验证测试中表现优越.
- 在使用AAC和GAAC特征的独立性测试中,CNN实现了100%的准确性.
- 使用AAC和GAAC特征进行交叉验证测试,CNN模型的最高准确率为98.33%. 在ROC曲线上,GRU实现了0.965%的准确性.
结论:
- 开发的CNN模型显示了从蛋白质表达数据中准确检测白血病的巨大潜力.
- 这些发现强调了深度学习方法,特别是CNN在分析癌症诊断的复杂生物数据方面的有效性.
