机构名称：
¥ 1.0
摘要癌症诊断领域已经通过液体活检进行了革新，这些活检提供了实验室研究和临床环境之间的桥梁。这些测试比传统活检的侵入性较小，并且比常规成像方法更方便。液体活检允许研究体液中的肿瘤衍生标记，从而可以开发更精确的癌症诊断测试，以进行筛查，疾病监测和治疗个性化。本研究提出了一种基于深度学习的多类方法，以基于血小板RNA分析和分类疾病。它的主要目标是通过利用深度学习的能力以及液体活检的高通量测序来增强临床环境中的癌症诊断。最终，该研究证明了这种方法可以准确识别患者的癌症类型的潜力。方法：开发的方法使用热图图像对患者进行了分类，该图像基于根据基因和基因组途径的京都百科全书排列的基因表达产生。这些图像代表了卵巢癌，子宫内膜癌，胶质母细胞瘤，非小细胞肺癌和肉瘤的样本以及脑转移的癌症患者。结果：在区分癌症起源的6个站点和90.5％的平衡精度上，我们基于深度学习的模型达到了66.51％的平衡精度，在特定于位置的数据集中，将癌症类型分组为癌症类型。使用可解释的基于人工智能的方法（XAI）-Shap进一步研究了开发的模型。他们返回了一组60个基因，对模型的决策过程产生了最大影响。结论：我们的结果表明，深度学习方法是癌症检测的有前途的机会，并且可以支持临床医生的决策过程，以找到黑盒问题的解决方案。
基于深度学习的多类方法，用于液体活检数据的癌症分类
主要关键词
相关文件推荐
