基于DNA甲基化不平衡数据的胃癌分类模型研究

摘要

胃癌的发病率在我国各类癌症中居首位，胃癌早期无明显症状，不易被发现。因此，早期胃癌的筛查对其及时治疗有着重要的临床价值。目前，胃癌的分类研究大多基于病理学图像，这种方法主要依靠主治医师的临床经验判断，准确率低。为了克服胃癌诊断在形态学和影像学方法上存在的缺陷，本文提出了一种基于DNA甲基化测序数据的胃癌分类方案，实现了对早期胃癌的精准分类。 本论文针对癌症和肿瘤基因图谱(The Cancer Genome Atlas，TCGA)中DNA甲基化测序数据不平衡和高噪声现象，提出了一种基于合成少数类过采样技术(Synthetic Minority Oversampling Technique，SMOTE)和Tomek Link算法的集成混合采样模型，有效地解决了数据不平衡问题;其次，为了解决DNA甲基化测序数据样本小和高维度问题，本文采用十折交叉验证划分训练集和测试集，然后利用最小冗余最大相关（mRMR）方法对训练集数据进行特征选择，筛选出122个相关性最大的特征;最后，针对小样本数据集分类中end-2-end模型训练模式容易产生过拟合现象，本文采用pre-trained模型提取特征，再训练其他分类器的方法，涉及到的训练参数少，降低了模型的过拟合风险。本论文使用卷积神经网络（Convolutional Neural Network，CNN）训练pre-trained模型，其后将输出特征送入支持向量机(Support Vector Machine，SVM)、改进的深度森林(Deep Forest，DF)和随机森林(Random Forest，RF)三种分类器进行模型训练，得到最终的分类结果。 实验结果表明，本文提出的基于DNA甲基化不平衡数据的胃癌分类模型在TCGA数据库上获得了98.5％的准确率，在本校药学院提供的自建数据库上获得了96％的准确率，具有较好的泛化能力。相较于目前研究中最好的分类模型，本文提出的模型准确率提高了5％以上。