BIMSSA:通过salp swarm优化和整体机器学习方法增强癌症预测

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
• 机器学习在瘤学中

背景情况:

• 癌症发病率不断上升,需要先进的诊断工具.
• 机器学习 (ML) 模型可以通过微阵列等遗传数据改善早期癌症检测.
• 微阵列数据的高维度对ML模型性能构成挑战,需要有效的特征选择.

研究的目的:

• 开发和评估基于ML的模型 (BIMSSA) 以使用高维微阵列数据进行准确的癌症诊断.
• 实施一个管道式的特征选择方法,结合Boruta,改进最大相关性和最小冗余性 (IMRMR) 和Swarm优化算法 (SSA).
• 评估BIMSSA模型在四种不同的癌症类型中的性能.

主要方法:

• 在BIMSSA模型中,Boruta和IMRMR用于初始基因表达特征提取.
• 采用Swarm优化算法 (SSA) 来优化所选特征子集.
• 一个集合分类器是使用前三个ML算法 (SVM,RF,ELM,AdaBoost,XGBoost) 的多数投票作为基础学习者来构建的.

主要成果:

• 在四个癌症数据集中,BIMSSA模型显示了高诊断准确性:ALL-AML为96.7%,淋巴瘤为96.2%,MLL为95.1%,SRBCT为97.1%.
• 经验评估证实了拟议的特征选择和整体方法的有效性.
• 该模型成功处理了用于癌症分类的高维微阵列数据.

结论:

• 提出的BIMSSA方法使用基因组数据准确预测多种癌症类型.
• 这种基于ML的诊断工具为临床医生和瘤学研究人员提供了重大潜力.
• 有效的特征选择对于提高癌症基因组学ML模型性能至关重要.