编辑推荐：
为解决基因数据分类中类不平衡、过拟合等问题，研究人员开展基于深度学习（DL）的肺癌（LUAD 和 LUSC）分期分类研究。采用优化 CNN 模型结合 F 检验特征选择，获 93.94%（LUAD）和 88.42%（LUSC）准确率，为肺癌精准诊疗提供新方向。
肺癌作为全球主要健康威胁，其早期诊断与精准分期一直是医学难题。当前临床依赖的 CT、MRI 等影像学手段常难以在早期发现肿瘤，且基因表达数据因样本量少、特征维度高、类不平衡等问题，导致传统机器学习模型易出现过拟合，分类效能受限。如何利用高通量测序技术获取的基因数据，结合深度学习方法实现肺癌严重程度的精准分类，成为亟待突破的科学问题。
为此，阿联酋沙迦大学（University of Sharjah）的研究人员开展了一项基于深度学习的肺癌分期分类研究。他们聚焦两种常见的非小细胞肺癌（NSCLC）亚型 —— 肺腺癌（LUAD）和肺鳞状细胞癌（LUSC），利用来自癌症基因组图谱（TCGA）的基因表达数据，构建并优化卷积神经网络（CNN）模型，旨在通过基因层面的特征分析提升肺癌严重程度分类的准确性。该研究成果发表在《BMC Medical Informatics and Decision Making》，为肺癌的分子诊断提供了新的技术路径。
研究主要采用以下关键技术方法：首先从 TCGA 获取 LUAD（566 例）和 LUSC（487 例）的基因表达数据及临床信息，通过数据清洗、合并患者 ID，将多分类的肿瘤分期（I-IV 期）转化为 binary classification（非严重 / 严重）以平衡样本分布；运用 F 检验（F-test）特征选择方法，从 20,530 个基因中筛选出关键特征（LUAD 保留 5000 个，LUSC 保留 3000 个）；采用 hold-out 法（80-20 或 70-30 数据分割）训练 CNN 模型，并通过调整批次大小、卷积层数等超参数优化模型性能。
研究结果
1. 模型性能对比
在未使用特征选择时，传统机器学习模型（SVM、RF、KNN 等）在 LUAD 和 LUSC 数据集上的准确率仅为 56%-63%，而 CNN 模型准确率分别为 61.49% 和 57%。引入 F 检验特征选择后，所有模型性能显著提升：CNN 在 LUAD 和 LUSC 中分别达到 93.94% 和 88.42% 的准确率，显著优于 SVM（79%、76%）、RF（65%、67%）等传统模型。这表明特征选择能有效降低数据维度，提升模型对关键基因特征的捕捉能力。
2. 特征选择与超参数优化的影响
通过对比 15%（8000 基因）、25%（5000 基因）、40%（3000 基因）的特征保留比例，发现 LUAD 在 5000 基因时准确率最高，LUSC 在 3000 基因时表现最佳。超参数调整显示，批次大小为 128、学习率 0.01 时，CNN 收敛速度与准确率达到平衡，训练时间分别为 10.63 秒（LUAD）和 5.7 秒（LUSC），验证了特征选择对降低计算成本的重要性。
3. 与现有研究的对比
与既往研究相比，该模型在肺癌严重程度分类中表现出显著优势。例如，文献中 CNN 用于肺癌预测的最高准确率为 84.8%，而本研究通过优化特征选择和模型结构，将准确率提升至 94%。这一结果凸显了深度学习在整合高维基因数据与临床表型中的潜力。
结论与讨论
本研究通过构建优化的 CNN 模型，结合 F 检验特征选择，成功解决了基因数据分类中的类不平衡和过拟合问题，为 LUAD 和 LUSC 的严重程度分类提供了高效的计算模型。研究发现，筛选出的关键基因（如 LUAD 的 5000 基因和 LUSC 的 3000 基因）有望成为临床分子诊断标志物，辅助医生通过基因检测实现肺癌的早期精准分期，推动个性化治疗的发展。尽管深度学习模型存在训练时间较长的局限性，但特征选择方法的应用显著提升了计算效率，为其临床转化奠定了基础。该研究不仅拓展了深度学习在肿瘤基因组学中的应用，也为其他高维生物数据的分析提供了方法论参考，具有重要的科学意义和临床转化价值。
