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 Jalan Boulevard Gading Serpong, Tangerang, 15810, Indonesia, 62 877-8153-5936.
JMIR bioinformatics and biotechnology
|December 4, 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实现了高精度.
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:
- 以前使用基因表达数据检测前列腺癌的机器学习模型取得了高准确性,但忽视了种族多样性和异常基因选择.
- 基因表达特征对于理解前列腺癌异质性至关重要.
研究的目的:
- 利用基因表达数据开发一种特定于种族的分类方法来诊断前列腺癌.
- 通过纳入种族多样性和高级特征选择来解决先前研究的局限性.
主要方法:
- 利用差异表达基因分析,接收器运行特征分析,以及用于特征选择的MSigDB验证.
- 使用选定的基因特征构建支持向量机 (SVM) 模型.
- 基于不同种族群体的分类准确度评估模型性能.
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%的准确性.
- 另一种仅使用9个基因特征的模型表现出强的性能,白人患者的准确率为97%,非裔美国患者的准确率为95%.
- 结果强调了种族特定模型在前列腺癌检测中的有效性.
结论:
- 该研究成功地确定了用于前列腺癌检测的种族特定诊断方法.
- 增强的特征选择和机器学习方法可以为特定人群带来公正的诊断工具.
- 这项研究为更个性化,更准确的前列腺癌诊断铺平了道路.
