用微阵列基因表达分析进行癌症分类的多模式特征优化方法.
J D Dorathi Jayaseeli1, S S Saranya1, K Lakshmi2
1Department of Computing Technologies, School of Computing, SRM Institute of Science and Technology, Kattankulathur, Tamil Nadu, 603203, India.
Scientific reports
|November 12, 2025
概括
这项研究引入了一种基于人工智能的多模式方法 (AIMACGD-SFST),用于精确的癌症基因组学诊断. 该模型在癌症分类中使用优化特征选择和集体深度学习方法实现了高精度.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 人工智能在医学中的应用
背景情况:
- 癌症的高复发率和死亡率需要早期和准确的检测.
- 基因表达数据对于最初的癌症分类至关重要,但由于高维度和小样本大小,它存在挑战.
- 人工智能 (AI) 方法对于改善癌症诊断,生存预测和复发评估变得越来越重要.
研究的目的:
- 开发精确有效的癌症基因组学分析技术,使用先进的计算和分析方法.
- 通过优化显著特征选择技术 (AIMACGD-SFST) 模型,介绍一种基于人工智能的多模式癌症基因组学诊断方法.
- 通过人工智能驱动的基因组学来增强早期癌症检测和提高患者存活率.
主要方法:
- 数据预处理包括min-max规范化,处理缺失值和标签编码.
- 使用Coati优化算法 (COA) 来优化显著特征选择.
- 组合模型,包括深信网络 (DBN),时间卷积网络 (TCN) 和变量堆叠自编码器 (VSAE),用于癌症分类.
主要成果:
- AIMACGD-SFST模型在三个不同的数据集中表现出卓越的性能.
- 实现了97.06%,99.07%和98.55%的分类准确率.
- 在癌症分类准确性方面表现优于现有模型.
结论:
- AIMACGD-SFST模型为癌症基因组学诊断提供了精确有效的方法.
- 人工智能驱动的特征选择和集体深度学习显著提高了癌症分类的准确性.
- 开发的方法有望改善早期癌症检测和患者的治疗结果.


