Jan, 2011

特征选择方法对分子标志物准确性、稳定性和可解释性的影响

PDF
TL;DR该研究对多种特征选择方法在乳腺癌预后方面的预测性能、稳定性和功能可解释性进行了比较，发现简单的过滤方法通常优于复杂的嵌入或包装方法，集成特征选择通常没有积极影响，最终得出平均而言简单的 Student's t-test 提供了最佳结果。
biomarker discoveryfeature selection methodsgene expression datasetsbreast cancer prognosisstatistical analysis
发现论文，激发创造
  • 生物标记发现的稳定特征选择

    本文提出了一种通用的分层框架，用于回顾现有的稳定特征选择方法，以解决生物标志物发现应用中特征选择的采样变异稳定性问题，并对现有方法进行分类，以供未来研究和开发参考。

    Jan, 2010

  • 基于统计和机器学习方法的基因表达谱分析的比较分析

    机器学习模型在表达基因数据的表型分类方面取得了好的性能，通过提取决策的解释，这些模型能提供对表型的理解，讨论了这种解释的生物学和方法论限制，并在癌症和健康组织样本的多个数据库上进行了实验。

    Feb, 2024

  • 机器学习驱动的医学诊断生物标志物选择

    评估了 4 种生物标志物选择方法和 4 种不同的机器学习分类器，发现当允许 3 个和 10 个生物标志物时，现代方法在性能上优于以前报告的逻辑回归。在特异性固定为 0.9 的情况下，机器学习方法的灵敏度为 0.240（3 个生物标志物）和 0.520（10 个生物标志物），而标准逻辑回归的灵敏度为 0.000（3 个生物标志物）和 0.040（10 个生物标志物）。还注意到，在允许较少的生物标志物时，基于因果关系的生物标志物选择方法表现最好，而在允许更多生物标志物时，单变量特征选择方法表现最好。

    May, 2024

  • 结直肠癌风险预测模型特征选择的比较研究

    针对结直肠癌，评估了多种特征排序算法在一组风险预测模型中的性能，通过标量稳定性度量和一种可视化方法评估其稳定性，与专家提供的特征进行了比较分析，并发现了与专家知识相一致的最相关特征。

    Feb, 2024

  • 提升生存数据的一致性指数 - 求导和评估生物标志物组合的统一框架

    研究使用共识指数为基础，提出了一种新的框架，借助元素提升算法推导线性生物标志物组合，以预测乳腺癌患者的生存力和其他时间至事件结局。

    Jul, 2013

  • 高级胃肠神经内分泌肿瘤患者生存情况的探究：集成特征选择在总生存预测中的应用

    该研究比较了使用 REPT 和 UBayFS 这两种特征选择算法，基于临床文献的专家知识和数据驱动的实验来确定最稳定和预测的高等级肠胃胰神经内分泌肿瘤病人特征集，并发现对特征进行专家知识的引导能够提高特征集的稳定性，但对预测性能的影响有限。

    Feb, 2023

  • 基于生物启发特征选择的慢性疾病预测数据集优化

    通过比较分析，本研究证明了生物启发式优化算法在慢性疾病预测的特征选择中的有效性，并强调了数据预处理的重要性，为提高医疗保健结果提供了宝贵的见解。

    Dec, 2023

  • 一种评估特征选择和排序算法稳定性的信息论方法

    特征选择是处理高维数据时的关键步骤，本文提出了一种基于 Jensen Shannon 散度的信息论方法来衡量算法的稳定性，该方法能够适用于不同的算法输出结果，并具备校正变化、上下界和确定性选择条件等优良特性。通过在控制条件下生成的数据和与其他流行度量标准的比较，验证了该稳定性度量标准的实用性和优势。在实际问题中，该方法对于食物质量评估具有潜在的稳定性评估能力。

    Feb, 2024

  • 基于深度学习模型的模糊基因选择和癌症分类

    通过应用模糊基因选择技术，本研究提出了一个新的肿瘤分类模型，优于标准 MLP 方法，并在生物医学科学领域中提高了基因表达数据的分类准确性。

    May, 2023

  • 通过互信息排序生物标志物

    本研究利用信息论方法对生物标记进行排序，并引入适用于小型或稀疏数据集的经验贝叶斯估计器和新的可视化工具，以探索预测和预后生物标记的强度，同时观察哪些生物标记具有更显著的预后或预测作用，从而在生物标记发现领域具有重要作用。

    Dec, 2016