用机器学习和物联网启用生物传感器对癌症生物标志物的基因表达概况和预测建模
B KalaiSelvi1, R Ganesh Babu2, Jaehyuk Cho3
1Department of Computer Science and Engineering, Mahendra Engineering College, Mallasamudram, Tamil Nadu, India.
Scientific reports
|December 4, 2025
概括
这项研究将物联网 (IoT) 支持的生物传感器与人工智能 (AI) 结合起来,用于非侵入性癌症生物标志物检测. 开发的AI模型在分类生物传感器数据方面显示出高准确性,为实时癌症监测铺平了道路.
科学领域:
- 生物医学工程 生物医学工程
- 计算生物学 计算生物学
- 人工智能的人工智能
背景情况:
- 癌症仍然是导致死亡的主要原因,传统诊断是侵入性的和昂贵的.
- 由于当前诊断方法的局限性,频繁的癌症监测是不切实际的.
- 支持物联网 (IoT) 的生物传感器为实时,非侵入性生物标志物跟踪提供了潜力.
研究的目的:
- 整合基因表达分析,物联网生物传感和机器学习 (ML) 以提高癌症生物标志物检测,分类和监测.
- 用生物传感器识别显著的癌症生物标志物并评估其检测效率.
- 通过基于STRING的蛋白质-蛋白质相互作用 (PPI) 和KEGG通路分析,了解生物标志物的生物学意义.
主要方法:
- 分析了285名癌症患者的基因表达数据.
- 使用STRING PPI和KEGG路径分析选择了五个关键生物标志物 (PSA,HER2,CEA,CA-125,AFP).
- 模拟了生物传感器性能,并训练了ML模型 (SVC,决策树,MLP,CNN) 进行分类.
- STRING分析确定了关键的枢纽基因和参与癌症进展的信号通路.
主要成果:
- 卷积神经网络 (CNN) 实现了最高的分类准确性 (97.2%),具有强大的概括指标 (F1得分0.97,AUC0.97).
- 可穿戴和可植入的生物传感器证明了对特定生物标志物的有效检测 (CEA,HER2,AFP).
- STRING分析强调HER2和AKT1对于PI3K-Akt和MAPK等与癌症相关的信号通路至关重要.
结论:
- 与人工智能集成的物联网启用生物传感器可以通过实时,非侵入性生物标志物检测彻底改变癌症监测.
- 在生物传感器数据分类方面,CNN模型非常有效,支持精确瘤学.
- 这一理论框架为未来的临床转化和人工智能增强生物传感器系统远程患者护理的实验验验证奠定了基础.
