ارائه مدلی برای تشخیص زیرگروه های سرطان مغز مبتنی بر جنگل تصادفی عمیق و ویژگی های تقویت شده با استفاده از داده های ژنی

تشخیص نوع بیماری سرطان که به ان زیرگروه گفته می شود در تعیین روند درمان حایز اهمیت فراوانی است. در این مقاله، هدف تشخیص چهار زیرگروه سرطان مغز می باشد. تشخیص زیرگروه بیماری را می توان در قالب یک مسئله طبقه بندی مدل کرد. با توجه به پیشرفت های چشمگیر صورت گرفته در علم بیوانفورماتیک در استخراج اطلاعات ژنتیکی از بدن انسان، اخیرا از این اطلاعات در توصیف بیماران در یادگیری ماشین استفاده زیادی می شود. در این مقاله از سه نوع داده ژنی شامل mRNA، miRNA و متیلاسیون DNA استفاده شده است. ترکیب منابع مختلف اطالاعاتی در قالب داده های چندوجهی به جای استفاده از یک منبع اطلاعاتی واحد، به افزایش دقت طبقه بندی اطلاعات منجر می شود. برای استخراج ویژگیهای مطلوب تر از داده های ژنی، از خودرمزگذار استفاده شده است بطوریکه ویژگی های استخراج شده از خودرمزگذار، به عنوان تقویت کننده در کنار داده های ژنی اولیه قرار می گیرند. همچنین جنگل تصادفی به عنوان یک طبقه بندی کننده در طبقه بندی بیماران بر مبنای داده های ژنی عملکرد مطلوبی داشته است. با گسترش روش های عمیق در شبکه های عصبی و عملکرد مطلوب آنها، نسخه ای از جنگل تصادفی عمیق با ساختار لایه ای ارائه شده است. جنگل تصادفی عمیق دارای این مزیت است که در کنار عملکرد مطلوب در طبقه بندی اطلاعات، تعداد پارامتر محدودی داشته و پیچیدگی محاسباتی آن پایین تر است. در این مقاله از جنگل تصادفی عمیق برای تعیین زیرگروه نوعی از سرطان مغز استفاده شده است. نتایج آزمایش ها نشان دهنده عملکرد مطلوب روش پیشنهادی است.

کلیدواژه ها:

بیوانفورماتیک ، طبقه بندی اطلاعات ، خودرمزگذار ، جنگل تصادفی عمیق ، استخراج ویژگی ، داده های ژنی ، GBM ، TCGA