医疗图像和微阵列数据分析的新机器学习方法用于心脏病分类
Jinglan Guo1, Jue Liao2, Yuanlian Chen3
1Department of Medical Laboratory, Affiliated Hospital of Southwest Medical University, Lu Zhou, 646000, Si Chuan, China.
Journal of imaging informatics in medicine
|April 1, 2025
概括
本研究介绍了DeepGeneNet (DGN),这是一个使用深度神经网络 (DNN) 来从微阵列数据中进行基因选择和心脏病分类的新框架. DGN 提高了准确性和可解释性,超过了传统方法.
科学领域:
- 心血管基因组学心血管基因组学
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 微阵列技术使心血管研究的大规模基因表达分析成为可能.
- 微阵列数据中的高维度和噪声对心脏病分类和生物标志物发现构成挑战.
- 传统的基因选择方法与复杂的,非线性基因相互作用作斗争.
研究的目的:
- 开发一种利用深度神经网络 (DNN) 的新型框架,以优化基因选择和使用微阵列数据进行心脏病分类.
- 解决传统方法在处理高维,杂的生物数据方面的局限性.
- 为了提高心脏病分类的准确性和可解释性.
主要方法:
- 建议DeepGeneNet (DGN),一个统一的框架,将DNN与特征选择集成为基因选择和分类.
- 利用DNN来建模基因表达数据中的复杂,非线性模式.
- 集成的超参数优化和U-Net细分技术,以提高性能.
主要成果:
- 与传统方法相比,DGN框架在心脏病分类方面表现优越.
- 在预测准确性和生物解释性方面取得了显著的改进.
- 拟议的方法为分析心血管基因组学数据提供了可靠和可扩展的结果.
结论:
- DeepGeneNet提供了一个可扩展和可解释的框架,用于推进心血管基因组学.
- 将DNN与基因选择相结合,有效地解决了微阵列数据分析的挑战.
- 这项工作通过改进的计算和分析方法增强了心脏病分类和生物标志物发现.
