从使用WT-GAN的基因表达数据进行深度学习辅助的癌症疾病预测
1School of Computer Science Engineering and Information Systems, Vellore Institute of Technology, Vellore, India.
BMC medical informatics and decision making
|October 25, 2024
概括
深度学习 (DL) 通过增加有限的基因表达数据来增强癌症诊断. 一个瓦斯斯坦表式生成对抗网络 (WT-GAN) 模型提高了分类准确度,达到97%以上,用于精确预测癌症.
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
- 医疗保健中的人工智能
背景情况:
- 深度学习 (DL) 的采用在医疗保健和药物开发中越来越多.
- 癌症仍然是导致死亡的主要原因,需要改进诊断和预测工具.
- 有限的基因表达数据在癌症研究中对DL模型的训练构成了挑战.
研究的目的:
- 为解决癌症诊断中的DL模型基因表达数据稀缺的问题.
- 使用瓦斯斯坦表式生成对抗网络 (WT-GAN) 评估数据增强的有效性.
- 通过增强基因表达数据分析,提高癌症诊断的准确性.
主要方法:
- 利用瓦斯斯坦表式生成对抗网络 (WT-GAN) 进行合成基因表达数据增强.
- 采用基于关联的特征选择来确定相关的遗传特征.
- 使用深度前神经网络 (FNN) 和机器学习 (ML) 算法训练和分类基因表达样本.
主要成果:
- 使用WT-GAN增强数据显著扩大了培训数据集大小.
- 基于相关性的特征选择确定了关键的遗传标记.
- 增强数据集导致了更好的分类性能,在癌症诊断中达到97%以上的准确性.
结论:
- WT-GAN是增强基因表达数据的有效方法,克服了样本大小和维度的局限性.
- 通过增强增强的数据可以提高DL和ML模型用于癌症诊断的性能.
- 这种方法对更精确和及时的癌症检测和预测有希望.
