使用基于深度学习的基因表达数据对肺癌严重程度的分类.
Ali Bou Nassif1, Nour Ayman Abujabal2, Aya Alchikh Omar2
1Department of Computer Engineering, College of Computing and Informatics, University of Sharjah, P.O Box: 27272, Sharjah, UAE. anassif@sharjah.ac.ae.
BMC medical informatics and decision making
|May 14, 2025
概括
这项研究引入了一个深度学习 (DL) 模型,一个卷积神经网络 (CNN),用于分类肺癌的阶段. 该模型在识别肺腺癌 (LUAD) 和肺状细胞癌 (LUSC) 方面取得了很高的准确性.
科学领域:
- 在瘤学瘤学.
- 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:
- 肺癌是全球癌症相关死亡的主要原因之一.
- 机器学习 (ML) 和深度学习 (DL) 在癌症检测和分类方面表现有前途.
- 基因表达数据为了解和诊断肺癌亚型提供了潜力.
研究的目的:
- 开发和评估一个深度学习 (DL) 模型来分类肺癌的阶段.
- 专门解决阶级不平衡和过度适应肺癌基因表达数据集的挑战.
- 用基因数据提高肺癌亚型分类的准确性.
主要方法:
- 一个卷积神经网络 (CNN) 模型被设计用于肺癌阶段分类.
- 使用F-test特征选择方法来优化模型.
- 使用了肺腺癌 (LUAD) 和肺状细胞癌 (LUSC) 的基因表达数据集.
- 进行了医学和实验分析,以减轻数据集挑战.
主要成果:
- 优化的CNN模型实现了肺癌亚型的高分类准确性.
- 对肺腺癌 (LUAD) 获得了大约93.94%的准确性.
- 对于肺状细胞癌 (LUSC) 获得了大约88.42%的准确性.
结论:
- 深度学习,特别是CNN,可以有效地使用基因表达数据对肺癌的阶段进行分类.
- 在这种情况下,F测试特征选择方法有利于提高DL模型性能.
- 提出的方法为肺癌诊断和研究提供了一个有前途的工具.


