Bio-MutClassNet:一种基于上下文的混合Transformer框架,通过注意力机制实现精准肿瘤学中的基因突变分类
《IEEE Open Journal of the Computer Society》:Bio-MutClassNet: A Context-Aware Hybrid Transformer Framework for Precision Oncology via Attention-Based Genetic Mutation Classification
【字体:
大
中
小
】
时间:2026年04月30日
来源:IEEE Open Journal of the Computer Society 8.2
编辑推荐:
摘要:从医学叙述中自动分类基因突变是个性化肿瘤学中的一个关键应用,但由于医学文本的语言复杂性以及类别分布极不平衡,这仍然是一个复杂的问题。传统的深度学习方法仅使用固定的词嵌入或非多样化的架构,无法区分良性变异和致病性变异之间的语义细微差异。在这项工作中,我们提出了Bio-Mut
摘要:
从医学叙述中自动分类基因突变是个性化肿瘤学中的一个关键应用,但由于医学文本的语言复杂性以及类别分布极不平衡,这仍然是一个复杂的问题。传统的深度学习方法仅使用固定的词嵌入或非多样化的架构,无法区分良性变异和致病性变异之间的语义细微差异。在这项工作中,我们提出了Bio-MutClassNet,这是一个基于临床叙述的基因突变分类的上下文感知混合框架。该模型通过BioBERT嵌入利用领域特定的迁移学习,并结合了卷积和循环神经网络组件,以捕捉局部词汇模式和长距离的上下文依赖性。我们采用了一种自适应的分支级注意力融合策略,根据输入特征动态地对异构表示进行加权,而不是依赖于静态特征拼接。在广泛使用的MSKCC数据集上使用分层交叉验证进行评估时,Bio-MutClassNet的准确率达到95.2%,F1分数为0.95,显示出在可比的实验设置下优于传统机器学习方法和独立的生物医学变换器基线的性能提升。此外,我们还进行了可解释性分析,以检查模型决策是否与生物学上有意义的术语一致,从而支持人工智能辅助突变分类的透明度。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号