Resumen: Antecedentes y objetivos: las tecnologías múltiples de alto rendimiento múltiples han demostrado ser invaluables para dilucidar los mecanismos de enfermedades y habilitar el diagnóstico temprano. Sin embargo, el alto costo del perfil múltiple múltiple impone una carga económica significativa, con una dependencia excesiva de los datos completos de OMICS potencialmente que conducen al consumo innecesario de recursos. Para abordar estos problemas, proponemos un marco de decisión dinámico múltiple consciente de la incertidumbre para la clasificación de datos de OMICS que tiene como objetivo lograr una alta precisión diagnóstica al tiempo que minimiza los costos de las pruebas. Metodología: a nivel único de la ómica, refinamos las funciones de activación de las redes neuronales para generar parámetros de distribución de Dirichlet, utilizando la lógica subjetiva para cuantificar tanto las masas de creencias como la masa de incertidumbre de los resultados de clasificación. La masa de creencia refleja el apoyo de una modalidad específica de Omics para una clase de enfermedad, mientras que el parámetro de incertidumbre captura limitaciones en la calidad de los datos y la discriminabilidad del modelo, proporcionando una base más confiable para la toma de decisiones. A nivel múltiple, empleamos una estrategia de fusión basada en la teoría de Dempster-Shafer para integrar modalidades heterogéneas, aprovechando su complementariedad para aumentar la precisión del diagnóstico y la robustez. Luego se aplica un mecanismo de decisión dinámico de que los datos de OMICS se introducen incrementalmente para cada paciente hasta que se utilizan todas las fuentes de datos o la confianza del modelo excede un umbral predefinido, potencialmente antes de que se utilicen todas las fuentes de datos. Resultados y conclusiones: Evaluamos nuestro enfoque en cuatro conjuntos de datos múltiples de referencia, ROSMAP, LGG, BRCA y KIPAN. En tres conjuntos de datos, más del 50% de los casos lograron una clasificación precisa utilizando una sola modalidad de OMICS, reduciendo efectivamente las pruebas redundantes. Mientras tanto, nuestro método mantiene el rendimiento de diagnóstico comparable a los modelos completos de la órmica y preserva ideas biológicas esenciales.
Publicado Originalme en export.arxiv.org El 2 de julio de 2025.
Ver Fuente Original
