通过深度学习早期检测多种癌症:使用变异自编码器的异常检测方法
Innocent Tatchum Sado1, Louis Fippo Fitime2, Geraud Fokou Pelap3
1Laboratory of Information System and Signal Processing, National Advanced School of Engineering Yaounde, Department of Computer Engineering, University of Yaounde I, Yaounde, Cameroon.
Journal of biomedical informatics
|November 21, 2024
概括
这项研究引入了一种新的深度学习模型,用于使用转录组数据早期检测癌症. 该模型将任何癌症类型识别为异常,实现高精度和回忆,改善患者存活率.
科学领域:
- 计算生物学 计算生物学
- 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:
- 早期癌症检测显著提高了患者的生存率.
- 转录组数据为早期癌症检测提供了潜力,但面临着未标记和大型数据集等挑战.
- 目前的基于图像的方法往往专注于特定的癌症类型.
研究的目的:
- 开发一种深度学习模型,用于在转录基因数据中早期,类型不明的癌症检测.
- 创建一个能够识别任何癌症作为异常的模型.
- 克服现有的癌症检测技术的局限性.
主要方法:
- 设计了一个深度神经网络,特别是一个变量自编码器 (VAE).
- 为VAE的输出开发了一个异常检测算法.
- 该模型在6种癌症类型的TCGA和GTEx转录组数据上进行了训练.
主要成果:
- 深度学习模型实现了0.950.50的最低准确度.
- 该模型的最低回忆率为0.830.
- 开发的基于VAE的方法有效地检测了癌症作为转录基因数据中的异常.
结论:
- 该研究成功设计了一个深度学习模型,用于在转录数据中基于异常的癌症检测.
- 这种方法对早期和类型不可知癌症的识别有希望.
- 该模型的性能表明它有可能帮助改善癌症诊断.
