识别候选生物标志物用于检测支气管致癌阶段,使用基于信息融合理论的元启发算法

科学领域:

• 生物信息学和计算生物学
• 基因组学和转录基因组学
• 机器学习在医疗保健中的应用

背景情况:

• 通过活检进行侵入性肺癌分期是具有挑战性,痛苦和昂贵的.
• 对于支气管致癌的非侵入性诊断方法有极大需求.
• 目前的方法难以准确地确定肺癌的阶段.

研究的目的:

• 确定用于检测支气管致癌及其阶段的非侵入性生物标志物.
• 利用生物信息学和机器学习来减少对手术分期的依赖.
• 开发精确的计算模型用于肺癌诊断和分期.

主要方法:

• 使用了癌症基因组图谱 - 肺腺癌 (TCGA-LUAD) 数据集.
• 应用了八个元启发算法来进行特征选择.
• 采用四种分类方法和两种数据融合技术来优化性能.

主要成果:

• 在区分健康和癌症肺样本方面实现了100%的准确性.
• 在分类支气管致癌的阶段中达到大约77%的准确性.
• 分别确定了I,II,III和IV阶段的5,7和16个诊断生物标志物候选物.

结论:

• 生物信息学,基因组丰富和途径分析使肺癌阶段的非侵入性诊断成为可能.
• 这些发现为侵入性分期提供了潜在的替代方案,改善了患者的治疗结果.
• 这种方法可以显著降低与肺癌诊断相关的医疗保健成本.