相关实验视频
Updated: May 30, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
一个生成的深度神经网络用于消化管癌生存率分析
Lekai Xu1, Tianjun Lan2,3, Yiqian Huang1
1School of Mathematics, Foshan University, Foshan, 528000, China.
BioData mining
|January 28, 2025
概括
我们开发了GDEC,这是一种用于精确消化道癌症亚型的深度学习模型. GDEC识别了重要的分子亚型,生物标志物和潜在药物,改善了患者的预后.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 人工智能的人工智能
背景情况:
- 对消化道癌 (DTC) 进行准确的分子亚型鉴定对于治疗决策和生物标志物发现至关重要.
- 机器学习看起来很有前途,但面临着复杂,高维数据的挑战,导致模两可的子类型.
- 由于数据的复杂性,现有的方法难以准确地分类.
研究的目的:
- 提出GDEC,一个新的多任务生成深度神经网络,用于精确的DTC亚型化.
- 为了提高在消化道癌症中分子亚型的准确性.
- 识别显著的分子亚型,枢纽基因和潜在的治疗剂.
主要方法:
- 开发了GDEC,一个多任务生成深度神经网络.
- 使用集成的损失函数与生成-对抗和集群模块.
- 将GDEC应用于消化道癌症数据集,用于亚型和分析.
主要成果:
- 与DTC亚型化中的先进方法相比,GDEC表现优越.
- 确定了统计学和生物学上显著的分子亚型.
- 发现了21个与泛DTC异质性和预后相关的枢纽基因.
- 建议达沙替尼和YM155作为泛DTC免疫疗法的潜在治疗剂.
结论:
- GDEC的性能优于现有的基于深度学习的DTC亚型化方法.
- 可解释的算法成功地选择了具有生物学意义的基因.
- 确定了潜在的药物,以改善DTC患者的预后和生存率.
