Seyrek çoklu çekirdek öğrenimi için çok katmanlı bir perseptron çerçevesi

Kanser araştırmalarını ilerletmek ve hasta bakımını iyileştirmek, büyük ölçüde kanser ilerledikçe biyolojik mekanizmaların nasıl değiştiğinin anlaşılmasına bağlıdır. Tümörlerdeki aktif biyolojik süreçlerin belirlenmesi, hedefe yönelik tedavilerin ve erken teşhis ve prognoz için potansiyel biyobelirteçlerin geliştirilmesi açısından çok önemlidir. Bu tezde, gen ekspresyon profillerini kullanarak güçlü ve yorumlanabilir bir model geliştirme amacıyla erken evre ve geç evre kanserleri ayırt etmeye odaklandık. Yapay öğrenme yöntemleri, gizli kalıpları ve kestirimci özellikleri ortaya çıkarmak için geniş genomik ve klinik verilerin analiz edilmesini sağlayarak kanser araştırmalarında umut vaat etmektedir. Çalışmamız, çoklu çekirdek öğrenimi bağ\-lamında seyrek bir çözüm oluşturmak için çok katmanlı bir perseptron modelinin yeteneklerinden yararlanmaya odaklandı. Bu, modelimizin gen ifade profillerine dayalı olarak erken evre ve geç evre kanserler arasında yetkin bir ayrım yapmasını sağladı. Modelimiz sadece yüksek tahmin performansı sunmakla kalmadı, aynı zamanda kanserin ilerlemesini yönlendiren önemli genler ve yolaklar hakkında değerli bilgiler sağladı. Çok katmanlı perseptron modelimizi değerlendirmek için, onu üç köklü yapay öğrenme algoritmasıyla karşılaştırdık: rassal orman, destek vektör makinesi ve çoklu çekirdek öğrenimi. Dikkat çekici bir şekilde, modelimiz 15 kanser kohortunda alıcı işletim karakteristik eğrisi altındaki alan ile ölçüldüğü üzere tutarlı bir şekilde daha iyi veya karşılaştırılabilir kestirim performansı elde etti. Bu bulgular, çok katmanlı perseptron modelimizin, kanserin ilerlemesini yönlendiren kritik genleri ve yolakları etkili bir şekilde tanımladığını ve erken evre ve geç evre kanser sınıflandırmasına ilişkin değerli bilgiler sunduğunu göstermektedir.