Prediction of Risk Factors from Gastric Cancer Genetic Data Using Machine Learning
Notice bibliographique
Résumé
Conventional statistical methods are challenging to predict cancer risk factors due to complex, non-linear, interactions among genetic factors. They often fail to handle high-dimensional data and dynamic risk factors effectively. This paper aims to utilize machine learning techniques to identify key genetic features from genomic data that contribute to the development of gastric cancer. The dataset comprises 192,781 instances with 64 annotated genetic variant features from gastric cancer patients, subjected to thorough preprocessing and quality checks prior to analysis. Feature selection was employed to identify critical features, which are used to develop five ensemble classifiers: Bagging, Random Forest, Extra Trees, AdaBoost, and Gradient Boosting. The Extra Trees classifier achieved an accuracy of 97.57%, precision of 95.62%, recall of 90%, F1-score of 92.73%, and Matthews Correlation Coefficient (MCC) of 0.91 on the imbalanced dataset, with an Area Under the Curve (AUC) of 98% for the positive class. Random undersampling of the dataset yielded promising results, reinforcing the selected features' effectiveness with consensus classification, achieving an accuracy of 96.06%, precision of 95.74%, recall of 96.33%, F1-score of 96.04%, MCC of 0.92, and Receiver Operating Characteristic (ROC) of 96.06%. Feature selection applied to both balanced and imbalanced datasets markedly improved model performance metrics, enhancing interpretability and precision for the minority class. The extracted features substantially reduced computational complexity in next-generation sequencing analysis. Moreover, these features provide critical insights into identifying novel therapeutic targets by predicting interactions with disease-associated proteins, thereby facilitating molecular dynamics investigations. This methodology significantly advances the development of personalized medicine applications. The findings underscore the effectiveness of feature selection in optimizing genomic data analysis for precision healthcare.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».