通过生物启发的特征选择方法来提高分类器的性能,以便从微阵列基因中早期检测肺癌
Karthika M S1, Harikumar Rajaguru2, Ajin R Nair2
1Department of Information Technology, Bannari Amman Institute of Technology, Sathyamangalam, India.
Heliyon
|September 12, 2024
概括
这项研究通过减少基因尺寸和选择关键特征来增强微阵列数据的肺癌分类. 最好的方法达到了92.26%的准确性,提高了诊断潜力.
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
- 基因组学就是基因组学.
背景情况:
- 微阵列基因表达数据是高维的,含有噪声.
- 微阵列中的冗余信息可能会阻碍准确的分类.
- 有效的特征选择和维度减少对于分析复杂的基因组数据至关重要.
研究的目的:
- 为高维肺癌微阵列数据开发强大的分类方法.
- 应用缩小维度和特征选择技术来提高分类准确性.
- 通过基因表达数据确定肺癌诊断方法的最佳组合.
主要方法:
- 使用希尔伯特变换,Detrend波动分析 (DFA) 和最小平方线性回归来减少维度.
- 使用大象群优化 (EHO) 和搜索的功能选择.
- 使用贝叶斯线性分辨器,天真贝叶斯,随机森林,决策树和各种支持向量机 (SVM) 模型进行分类.
主要成果:
- 将DFA用于缩小维度和EHO用于特征选择的组合产生了最高的分类准确性.
- 支持向量机 (线性) 分类器实现了最高性能92.26%的准确性.
- 性能分析证实了特征选择方法在提高分类器准确性方面的好处.
结论:
- 拟议的两阶段方法有效地处理高维肺癌微阵列数据.
- 在基因组学中,DFA和EHO提供了一种强大的组合,用于减小维度和特征选择.
- 这种方法为基于基因表达特征的肺癌准确诊断提供了有前途的工具.
