MLW-BFECF:基于双线特征提取的多重量级动态级联森林,用于预测脏脏清细胞癌的阶段,基于多模式基因数据

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 预测清细胞癌 (KIRC) 阶段对于患者的诊断,治疗和预后至关重要.
• 现有的预测方法通常依赖于单模基因数据,限制了准确度的改进.
• 多模式基因数据 (RNA-seq,CNA,甲基化) 提供了增强KIRC分期的潜力.

研究的目的:

• 为KIRC阶段预测开发一种新的多重权力动态级联森林模型 (MLW-BFECF).
• 利用多式基因数据来提高预测准确度.
• 从多种基因数据集中增强特征提取和融合.

主要方法:

• 提出了一种多重权力动态级联森林 (MLW-BFECF) 模型,该模型包含了动态级联框架和混合层.
• 采用了采用三种基因选择算法的投票技术,以实现特征相关性和冗余减少.
• 开发了两种新的双线模型,用于模内和模间特征提取的闭门注意力机制.
• 利用基于对概率特征融合进行包装的多重重组合森林分类器模块.

主要成果:

• 在KIRC阶段预测中,MLW-BFECF模型表现出卓越的性能.
• 使用三模KIRC数据集,实现了最高的88.9%的预测准确度.
• 从RNA-seq,CNA和甲基化数据中有效提取和融合特征.

结论:

• MLW-BFECF模型在KIRC阶段预测准确度方面取得了重大进展.
• 多模式基因数据集成对于改善癌症分期模型是有效的.
• 拟议的模型为瘤学中复杂的生物数据分析提供了一个强大的框架.