通过基因表达数据使用机器学习进行种族特异性前列腺癌检测的框架:特征选择优化方法
David Agustriawan1, Adithama Mulia1, Marlinda Vasty Overbeek1
1Faculty of Engineering and Informatics, Universitas Multimedia Nusantara, Scientia Garden Jl. Boulevard Gading Serpong, Tangerang, ID.
JMIR bioinformatics and biotechnology
|June 24, 2025
概括
这项研究开发了一种特定于种族的机器学习模型,用于使用基因表达数据检测前列腺癌. 该模型在白人和非裔美国患者的前列腺癌诊断中取得了高准确性.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 对于前列腺癌检测的机器学习模型显示高精度.
- 以前的研究往往忽视了基因表达数据中的种族多样性和异常基因选择.
研究的目的:
- 利用基因表达数据,开发一种用于前列腺癌诊断的特定种族分类方法.
- 通过考虑人口多样性和强大的特征选择,解决先前研究的局限性.
主要方法:
- 使用差异表达基因 (DEG) 分析,接收器操作特征 (ROC) 分析,以及用于特征选择的MSigDB验证.
- 建筑支向量机 (SVM) 模型用于分类.
主要成果:
- 一个具有139个基因特征的模型在白人患者中达到98%的准确性,在非洲裔美国患者中达到97%.
- 一个只有9个基因特征的模型表现出强大的表现,白人的准确率为97%,非洲裔美国人的准确率为95%.
结论:
- 确定了一种特定于种族的诊断方法来检测前列腺癌.
- 强调了增强特征选择和机器学习的潜力,以在不同人群中提供公正的诊断工具.
