WHFDL:一种基于World Hyper-heuristic和Fuzzy Deep Learning方法的可解释方法,用于使用代谢学数据检测胃癌

科学领域:

• 发现生物标志物的发现.
• 计算生物学是一种计算生物学.
• 机器学习在瘤学中

背景情况:

• 胃癌 (GC) 是全球领先的癌症,预后取决于早期检测.
• 目前的GC诊断方法是侵入性的,并带来风险.
• 需要非侵入性诊断替代方案来改善患者的治疗结果.

研究的目的:

• 开发和评估一种用于胃癌预测的非侵入性方法.
• 利用代谢学数据来识别胃癌生物标志物.
• 实施一种新的机器学习方法,以提高诊断准确度.

主要方法:

• 分析了702个人的血代谢概况队列.
• 世界超启发式 (元启发式) 用于高效的特征选择.
• 一个模糊的深度神经网络被用于胃癌的分类.

主要成果:

• 六个关键代谢物 (1-甲基亚诺辛,C18-卡尼丁,瓜尼丁乙酸,海波克桑丁,尼古丁胺胺单核酸和糖酸) 被确定为胃癌生物标志物.
• 世界超启发性模糊深度学习 (WHFDL) 模型实现了94%的准确性,94%的精度,93%的回忆和94%的F1得分.
• 使用SHAP,LIME和对抗性测试证实了模型的解释性.

结论:

• WHFDL方法在非侵入性胃癌预测方面表现出高准确度和可靠性.
• 已识别的代谢物作为早期胃癌检测的潜在生物标志物.
• 这种基于代谢学的机器学习策略为传统诊断方法提供了一个有希望的替代方案.