DeepCancer：基于深度生成式学习通过基因表达检测癌症

Dec, 2016

DeepCancer: Detecting Cancer through Gene Expressions via Deep Generative Learning

Rajendra Rana Bhat, Vivek Viswanath, Xiaolin Li

TL;DR该研究提出了一种深度生成式机器学习架构（称为 DeepCancer），通过对未标记的微阵列数据进行特征学习，帮助对癌症进行诊断。该模型在两个不同的临床数据集上进行了测试，并证明了其精确度较高，可显著控制假阳性和假阴性评分。

Abstract

transcriptional profiling on microarrays to obtain gene expressions has been used to facilitate cancer diagnosis. We propose a deep genera

发现论文，激发创造

本研究使用卷积神经网络 (CNN) 模型对 10,340 个来自 33 种不同癌症类型和 731 个正常组织样品进行分类，并在 1D-CNN 模型中确定了 2,090 个癌症标记物，其中包括 GATA3 和 ESR1 等已知标记，并对乳腺癌亚型进行了预测，取得了 88.42% 的平均准确率。

Jun, 2019

利用数字组织病理学图像和深度学习，通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果，包括腺激素受体阳性的乳腺癌亚型，并能为患者的术后治疗提供良好预测。

Apr, 2023

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

本文介绍了一种利用多头自注意力机制的深度学习方法 Gene Transformer，用于对基因表达数据进行肺癌亚型分类，效果比传统算法更好，此方法有望在计算生物学中得到更好的应用。

Aug, 2021

本研究提出了一种利用背景生物网络信息来构建分类模型的端对端框架，应用于基因表达数据和生物网络来进行癌症预后预测，实验结果表明相比于深度神经网络模型，我们的模型取得了更高的准确性，并通过富集分析鉴定了多种癌症类型的贡献基因和通路，从中识别了已知的生物标志和新的生物标志候选物。

Jun, 2023

本文提出了一种利用自编码器和可解释的基于人工智能的评分来进行特征选择的算法，可用于诊断、预后和精准医疗。该算法在慢性淋巴细胞白血病数据集上应用，能够确定一组有意义的基因，供进一步医学研究参考。

Mar, 2023

本文通过应用监督对比学习将肿瘤基因表达和临床数据转换为低维特征空间，并使用学习的特征训练 Cox 模型来预测肿瘤预后，提高了肿瘤预后的准确性。

Jun, 2023

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

利用已知基因表达和基因交互数据，本文提出了一个专门设计用于基因之间关系鉴定的并行层次深度学习网络 GENER，并通过与现有统计和深度学习方法的性能比较表明，在预测基因之间的相互作用方面优于竞争方法。

Oct, 2023

该研究利用神经网络学习基因组表示，以预测癌症患者的生存情况，并证明该方法相较现有的生存分析方法具有优势。

Sep, 2016