优化癌症分类:对特征选择和深度学习方法的元启发式评估

科学领域:

• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学
• 生物信息学是一种生物信息学.

背景情况:

• 早期癌症检测显著提高了生存率,推动了对自动化分类方法的需求.
• 医学成像和微阵列基因表达数据对于癌症检测至关重要,但往往含有噪音或冗余的特征.
• 特性选择和深度神经网络 (DNN) 优化对于提高癌症分类的准确性和降低计算成本至关重要.

研究的目的:

• 调查有关特征选择和癌症分类中DNN优化的元启发式算法的文献.
• 分析这些方法对医学成像和微阵列基因表达数据的应用.
• 确定研究缺口,并提出改善癌症检测计算方法的未来方向.

主要方法:

• 在2012年至2025年间发表的91篇同行评审文章的综合文献综述.
• 在主要的科学数据库中进行系统搜索,包括谷歌学者,IEEE Xplore,Elsevier等.
• 对常用的分类器 (kNN,SVM,CNN) 和元启发算法 (PSO,GA,ACO) 的分析.

主要成果:

• k-近邻 (kNN),支持向量机 (SVM) 和卷积神经网络 (CNN) 是最常见的分类器.
• 粒子优化 (PSO),遗传算法 (GA) 和群优化 (ACO) 是主要的元启发算法.
• 该审查分析了39个基于图像的和44个微阵列癌症数据集,并注意到它们的利用趋势.

结论:

• 听算法在优化DNN和执行癌症分类特征选择方面发挥着重要作用.
• 在提高模型稳定性和分类准确性方面存在关键的研究缺口,需要进一步创新.
• 这项研究为研究人员和决策者在计算癌症检测和诊断方面提供了宝贵的见解.