换一批摘要癌症是一种与基因密切相关的疾病,具有多种亚型,各亚型在遗传、表型和治疗反应上存在显著差异.准确的癌症亚型分类对个性化治疗至关重要,有助于提高治疗效果.然而,基于患者基因表达数据的癌症亚型分类方法在样本不均衡的情况下,往往难以有效区分稀有亚型.为解决这一问题,本文提出一种基于元学习的癌症亚型分类方法MFP-VAE(meta-learning few-shot prototype learning VAE),专注于处理样本不均衡的数据集.该方法改进了样本抽取策略,以确保在元学习任务中不同亚型的样本得到平衡重视.该模型采用变分自编码器进行特征提取,并通过计算样本与癌症亚型对应原型之间的距离进行分类.实验结果表明,MFP-VAE在两个公开癌症数据集上的表现优于现有方法,特别是在样本不平衡的情况下,显著提高了分类效果.此外,生存率分析显示,不同的癌症亚型在临床特性上具有显著差异.
更多相关知识
关键词
癌症亚型分类元学习变分自编码器小样本学习cancer subtype classificationmeta-learningvariational autoencoderfew-shot learning
栏目名称
DOI
10.12146/j.issn.2095-3135.20241012001
发布时间
2025-05-21（万方平台首次上网日期，不代表论文的发表时间）
- 浏览1
- 被引1
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
