A Hybrid Machine Learning Model for Classifying Gene Mutations in Cancer using LSTM, BiLSTM, CNN, GRU, and GloVe

要約

私たちの研究では、がんにおける遺伝子変異を分類するために、LSTM、BiLSTM、CNN、GRU、および GloVe 埋め込みを相乗的に組み合わせた新しいハイブリッド アンサンブル モデルを導入します。
このモデルは、Kaggle の個別化医療: がん治療の再定義データセットを使用して厳密にテストされ、すべての評価指標にわたって優れたパフォーマンスを示しました。
特に、私たちのアプローチは、トレーニング精度 80.6%、適合率 81.6%、再現率 80.6%、F1 スコア 83.1% を達成し、平均二乗誤差 (MSE) も 2.596 と大幅に減少しました。
これらの結果は、高度なトランスフォーマー モデルとそのア​​ンサンブルの結果を上回り、遺伝子変異分類の複雑さを処理する際のこのモデルの優れた能力を示しています。
遺伝子変異分類の精度と効率は、個別の遺伝子プロファイルに基づいてカスタマイズされた治療計画が患者の転帰を劇的に改善し、命を救う精密医療の時代において最も重要です。
私たちのモデルの優れたパフォーマンスは、がんの診断と治療の精度を向上させる可能性を浮き彫りにし、それによって個別化された医療の進歩に大きく貢献します。

要約(オリジナル)

In our study, we introduce a novel hybrid ensemble model that synergistically combines LSTM, BiLSTM, CNN, GRU, and GloVe embeddings for the classification of gene mutations in cancer. This model was rigorously tested using Kaggle’s Personalized Medicine: Redefining Cancer Treatment dataset, demonstrating exceptional performance across all evaluation metrics. Notably, our approach achieved a training accuracy of 80.6%, precision of 81.6%, recall of 80.6%, and an F1 score of 83.1%, alongside a significantly reduced Mean Squared Error (MSE) of 2.596. These results surpass those of advanced transformer models and their ensembles, showcasing our model’s superior capability in handling the complexities of gene mutation classification. The accuracy and efficiency of gene mutation classification are paramount in the era of precision medicine, where tailored treatment plans based on individual genetic profiles can dramatically improve patient outcomes and save lives. Our model’s remarkable performance highlights its potential in enhancing the precision of cancer diagnoses and treatments, thereby contributing significantly to the advancement of personalized healthcare.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google