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

Sanad Aburass, Osama Dorgham외 1명|arXiv (Cornell University)|2023. 07. 24.

Genetics, Bioinformatics, and Biomedical Research인용 수 9

한 줄 요약

이 논문은 LSTM, BiLSTM, CNN, GRU 및 GloVe 임베딩을 결합한 하이브리드 앙상블 모델을 제시하여 암에서의 유전자 돌연변이를 분류하고, Kaggle의 Personalized Medicine 데이터셋에서 강력한 지표를 달성한다.

ABSTRACT

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.

연구 동기 및 목표

• 정밀 종양학을 위한 유전자 돌연변이 분류의 개선에 대한 필요성 제기.
• 여러 신경망 구성요소와 단어 임베딩을 활용하는 하이브리드 앙상블 아키텍처를 개발한다.
• 실제 암 유전체 데이터셋에서 고급 트랜스포머 모델과의 성능을 평가한다.

제안 방법

• LSTM, BiLSTM, CNN, GRU 아키텍처를 GloVe 임베딩과 결합하여 하이브리드 앙상블로 통합한다.
• 유전자 돌연변이 데이터의 엔드 투 엔드 분류를 강조한다.
• 정확도, 정밀도, 재현율, F1, MSE를 포함한 표준 지표를 사용하여 평가한다.
• Kaggle의 Personalized Medicine: Redefining Cancer Treatment 데이터셋에서 테스트한다.

실험 결과

연구 질문

• RQ1 연속 모델과 단어 임베딩으로 구성된 하이브드 앙상블이 유전자 돌연변이 분류에서 트랜스포머 기반 접근법보다 성능이 우수할 수 있는가?
• RQ2 제안된 하이브리드 모델을 암 게놈학 데이터세트에 적용할 때 정확도, 정밀도, 재현율, F1 및 MSE의 비교 이점은 무엇인가?
• RQ3 동일 작업에서 고급 트랜스포머 모델 및 그 앙상블에 비해 모델의 성능은 어떠한가?

주요 결과

• 훈련 정확도 80.6%.
• 정밀도 81.6%.
• 재현율 80.6%.
• F1 점수 83.1%.
• 평균 제곱 오차(MSE) 2.596.
• 평가된 과제에서 모델이 고급 트랜스포머 모델 및 그 앙상블보다 우수하게 작동한다.