25、跨癌症基因组分析与重型车辆分类的深度学习应用

跨癌症基因组分析与重型车辆分类的深度学习应用

跨癌症基因组分析

在癌症研究领域，利用机器学习模型进行癌症分类是一个重要的研究方向。研究人员应用无监督和有监督学习方法，通过基因表达数据来开发泛癌症诊断模型。

1. 预测模型生成
   • 数据划分 ：针对六种组织样本数据集，分别进行 80 - 20 的测试 - 训练集划分，确保每种癌症的癌症和非癌症数据在最终测试集中无偏分布，然后将各组织的训练集和测试集合并，所有非癌症样本归为一类。
   • 基因选择 ：
     • 基于互信息选取前 500 个基因作为基线基因集。
     • 训练递归特征消除（RFE）模型，从 2000 个基因数据集中选出 200 个基因。RFE 先选取所有 2000 个基因中的最优基因，再递归地将移除的基因放回模型，直至剩下 200 个基因。
   • 模型构建 ：使用深度学习库 Keras 创建多层感知器（MLP），包含五个全连接层，除最后一层使用 softmax 激活函数外，其余层使用 tanh 激活函数。使用 Adam 优化器和分类交叉熵损失函数进行训练，训练 20 个周期后停止，以防止过拟合。
2. 有监督学习结果
   • 由于数据集中癌症和非癌症样本不平衡，报告了每种癌症的精确率、召回率和 F1 分数。