Resumen

La clasificación correcta de los subtipos de cáncer es de gran importancia para el estudio en profundidad de la patogénesis del cáncer y la realización de un tratamiento preciso para los pacientes con cáncer. En los últimos años, la clasificación de los subtipos de cáncer utilizando redes neuronales profundas y datos de expresión génica se ha convertido en un tema candente. Sin embargo, la mayoría de los clasificadores pueden enfrentarse a los retos del sobreajuste y la baja precisión de la clasificación cuando se trata de un tamaño de muestra pequeño y datos biológicos de alta dimensión. En este trabajo, se propuso el modelo de Bosque Neural Flexible en Cascada (CFNForest) para lograr la clasificación de subtipos de cáncer. CFNForest extendió la estructura tradicional de árbol neuronal flexible a FNT Group Forest explotando una estrategia de ensamblaje de bolsas y pudo generar automáticamente la estructura y los parámetros del modelo. Para profundizar en el FNT Group Forest sin introducir nuevos hiperparámetros, se explotó el marco de cascada multicapa para diseñar el modelo FNT Group Forest, que transformaba las características entre niveles y mejoraba el rendimiento del modelo. El modelo CFNForest propuesto también mejoró la eficiencia operativa y la solidez del modelo mediante un mecanismo de selección de muestras entre capas y el establecimiento de diferentes pesos para la salida de cada capa. Para llevar a cabo la clasificación de subtipos de cáncer, se utilizó FNT Group Forest con diferentes conjuntos de características para enriquecer la diversidad estructural del modelo, lo que lo hace más adecuado para procesar conjuntos de datos de pequeño tamaño. Los experimentos con datos de expresión génica de RNA-seq mostraron que CFNForest mejora eficazmente la precisión de la clasificación de subtipos de cáncer. Los resultados de la clasificación tienen una buena solidez.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:bosque de grupos fnt, clasificación de subtipos de cáncer, clasificación de cáncer, datos de expresión génica, tamaño de muestra pequeño, modelo, subtipos de cáncer, conjunto de características diferentes, marco de cascada multicapa, precisión de clasificación baja
• Keywords:fnt group forest, cancer subtype classification, classification of cancer, gene expression data, small sample size, model, cancer subtypes, different features set, multilayer cascade framework, low classification accuracy