Research Article

Tahmin Edici Sağlık Analitiği İçin Makine Öğrenimi Tabanlı Çok Modlu Moleküler Biyobelirteçler

DOI:

10.3791/69241

⸱

January 16th, 2026

 ,  ,  ,  ,  , 
1Department of CSE, Vidya Jyothi Institute of Technology, 2Department of Artificial Intelligence and Data Science, JB Institute of Engineering and Technology, 3Department of CSE, Sri Chaitanya Institute of Technology and Research, 4Department of CSE, Saveetha Engineering College, 5Department of Artificial Intelligence and Data Science, Rajalakshmi Engineering College, 6Department of CSE, B. S. Abdur Rahman Crescent Institute of Science and Technology

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Multimodal biyobelirteçlerle makine öğrenimi, hastalık tahmini ve izlemeyi geliştirir; çeşitli alanlarda sağlık hizmetlerinde ilerleme vaat eder ve doğru hastalık tahminiyle sağlık sonuçlarını iyileştirir.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Her yıl, dünya genelinde birçok insan, kalp hastalığı, solunum yolu enfeksiyonları, nörolojik işlev bozuklukları, bilişsel stres, kanser, felme, diyabet gibi yıkıcı sağlık sorunlarından giderek daha fazla etkileniyor; bu durum ciddi sağlık komplikasyonlarına ve ilişkili anormalliklere yol açıyor. Bu nedenle, erken sağlık analizleri çok önemlidir; çünkü hedefli tedavilerle zamanında müdahale mümkün kılarak anında rahatlama ve hastalık ilerlemesini yavaşlatabilecek uzun vadeli faydalar sağlayabilir. Karmaşık patofizyolojik süreçler ve çeşitli sağlık koşullarındaki heterojen klinik çalışmalar nedeniyle, hasta sağlık sonuçlarını doğru şekilde tespit etmek ve izlemek için yüksek hassas, çok modlu biyobelirteçler ve etkili araştırma yaklaşımlarına ihtiyaç vardır. Bu nedenle, prognoz, risk değerlendirmesi, hasta tabakalaşması ve hastalık izleme gibi çeşitli kategoriler ve tekniklere sahip makine öğrenimi algoritmaları değerlendirilir. Önerilen çalışmanın akışı üç aşamaya ayrılır; birinci aşama sağlık hizmetlerinin önemini vaka çalışmalarıyla tanımlar; ikinci aşamada geleneksel Makine Öğrenimi (ML) algoritmaları, geleneksel Derin Öğrenme (DL) yaklaşımları ve modern DL teknikleri (TabNet ve AutoInt) gelir. Son olarak, deneyler sonuçları haklı çıkarmak için uygulanır. Bu çalışma, moleküler protein, kimyasal ve genetik biyobelirteçleri ortaya çıkan ML özellikleriyle entegre ederek modalitelerin gruplanmasını vurgulamaktadır. Sonuçlar, önerilen metodolojiyle doğruluğun tahmin edilmesinde önemli bir iyileşme göstermektedir.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Sağlık sistemi, hastaları takip etmek ve sağlık sonuçlarını zamanında teşhis etmek için giderek daha fazla öngörücü analitik kullanıyor, proaktif bakımı kolaylaştırıyor ve hasta sonuçlarını iyileştiriyor. Öngörücü analizleri biyobelirteçlerle entegre ederek, klinisyenler tanı doğruluğunu artırabilir, etkili tedavileri belirleyebilir, tedavi ilerlemesini izleyebilir ve hastalık mekanizmaları hakkında değerli içgörüler elde edebilir; böylece daha bilinçli ve etkili tedavi kararları alınabilir. Biyobelirteçler, biyosıvılar, dokular, hücreler, DNA, RNA, kan ve idrar gibi örneklerde bulunan biyolojik moleküllerin veya göstergelerin özelliklerini ifade eder; bu kişiler, insan vücudunda bir hastalığın varlığını veya ilerlemesini ölçer, tedavinin etkinliğini değerlendirmeye yardımcıolur 1.

Moleküler biyobelirteçlerin uygulanmasındaki ilerlemeler, kişiselleştirilmiş tıpta kritik bir rol oynar; belirli molekülleri hassas ölçüp hastalarda benzersiz sağlık sorunlarını tespit eder ve ilk aşamalardan itibaren hedefe yönelik tedavi stratejileri mümkünkılar 2. İleriye dönük olarak, çoklu modal yaklaşımlar, gelişmiş öngörücü analitik tekniklerle kanser ve nörodejeneratif hastalıklarda hastalık prognozunun daha doğru tanımlanmasını sağlayarak karmaşık hastalık desenlerinin birden fazla modalitesini entegreetmeye yardımcı olacaktır 3. En son yöntem, çoklu omik veriler, biyoinformatik ve makine öğrenimi algoritmalarını kullanarak yeni biyobelirteçleri tanımlayarak kardiyovasküler hastalıklar (KARDIYO-DV) ve diğer karmaşık hastalıklar için hastaya özgü risk profili ve öznel tedavi stratejilerini mümkünkılar. Moleküler biyobelirteçler ve çoklu omik yaklaşımların birleşimi, nörolojik hastalıklarda tanı doğruluğunu ve terapötik tabakalaşmayı artırma konusunda umutvaat eder 5.

ML tekniklerinin ilerlemesiyle birlikte, çok modlu moleküler biyobelirteçler, çeşitli sağlık koşullarında yeni hastalık imzalarını belirlemek için çeşitli veri türlerini entegre edebilir, böylece daha doğru tanı ve kişiselleştirilmiş tedavi stratejileri sağlanır. Bu potansiyele dayanarak, yazar sağlık hizmetlerinde çeşitli makine öğrenimi tekniklerini inceleyerek hastalık teşhisi risk faktörlerini tahmin eder ve bunların farklı sağlık sektörlerindeki önemini vurgular. Makine öğreniminin hastalık teşhis ve tedavisini dönüştürmesiyle birlikte, ilaç uygulamaları giderek daha fazla karar alma algoritmalarından yararlanarak hasta sağlık sonuçlarını analiz ediyor ve günlük ihtiyaçlarını karşılamakta daha bilinçli ve etkili bakımsağlıyor 7. Multimodal veri entegrasyonu ihtiyacını değerlendirerek, bu çalışma Alzheimer hastalığının gelişimini ve ilerlemesini tahmin etmek için multimodal veri (MRI ve genetik) kullanan biyobelirteçler geliştirdi ve genetik verilerin normal kontrol deneklerinde gelecekteki Alzheimer ilerlemesini daha iyi tahmin ettiğini, MR verilerinin ise stabil hafif bilişsel bozuklukları daha iyi karakterize ettiğini ve her ikisini birleştirerek daha kaliteli sınıflandırmaperformansını 8.

Multimodal veri analizinin uygulanmasını daha da ilerleten multimodal derin öğrenme, gen ifadesi verilerini kullanarak yeni biyolojik moleküllerin belirli hücre hatlarını hedef alan ilaçları tanımlar ve böylece genomik varyasyonların tedavi yanıtını nasıl etkilediğiniaçıklar. 9. Multimodal veri analizindeki gelişmelerle birlikte, yapay zeka ve makine öğrenimi metrikleri kullanılarak değerlendirilen invaziv olmayan biyobelirteçler, belirli uygulama ve veri bağlamına bağlı olarak, istilacı biyobelirteçlere kıyasla farklı özgüllük ve hassasiyet profillerine sahip umut vadeden tanı araçları olarak ortayaçıkmaktadır 10. Multimodal veri analizinin artan önemiyle uyumlu olarak, Derin Öğrenme (DL) topluluk modelleri, gen-protein etkileşimleri dahil olmak üzere yeni biyobelirteçleri entegre ederek karmaşık verileri etkili bir şekilde işleyerek kanser araştırmalarını geliştirebilir ve tedavi stratejilerini optimizeedebilir 11. DL topluluk modelleri kanser araştırmalarını ilerletmeye devam ederken, öngörücü analiz, çeşitli sağlık koşulları dahil olmak üzere birden fazla kaynaktan gelen büyük toplu verileri analiz ederek duruma kapsamlı bir genel bakış sunarak, risk değerlendirmesi ve tanı12 gibi duruma dair kapsamlı bir genel bakış sunar.

Önerilen protokolün amacı, sağlık analizinin doğruluğunu artırmak için farklı biyolojik belirteçleri entegre eden ML tabanlı ve DL tabanlı algoritmaları uygulamaktır. Biyobelirteçleri kullanan geleneksel tahmin teknikleri genellikle tek modaliteli verilere ve doğrusal istatistiksel modellere dayanır; bu modeller, hastalık gelişimini ve bireysel farklılıkları etkileyen karmaşık, doğrusal olmayan ilişkileri yeterince yakalayamayabilir. Gözlemlerden, e-sağlık kayıtlarından, laboratuvar okumalarından, fiziksel ölçümlerden ve klinik değerlendirmelerden elde edilen büyük miktarda verinin dahil edilmesi, hasta tanısında risk değerlendirmesini sentezlemek ve optimize etmek için önemli bir fırsat sunar13. Biyobelirteçler, hassas tıpta kritik bir rol oynar ve doğru zamanda hedefe yönelik tedaviyi mümkün kılar. Biyobelirteçler karmaşık olup hastalık alt tiplerini ve moleküler büyümeyi ölçmede zorluklar yaratsa da, çeşitli anormal koşullar altında toksik reaksiyonları değerlendirmede paha biçilmez ve böylece daha fazla analizi kolaylaştırmaktadır. Klinik gözlem sırasında biyobelirteçler kullanılarak, sağlık profesyonelleri hastalık ilerlemesini daha doğru tahmin edebilir ve tedavi yanıtlarını izleyebilir. Sonuç olarak, sağlık analitiğinde çok modlu moleküler biyobelirteçlerin yapay zeka ile birleşmesi, mevcut özelliklerin klinik etkinlikleri azaltmak için daha etkili desen tanıma imkanı sağlar.

Özellikle Somepalli ve ark.14'ün çalışmalarıyla karşılaştırıldığında, yazarlar genom verileri üzerinde metabolik, epigenetik ve proteomik veriler gibi ML algoritmaları önermiş ve ML algoritmalarının seçimi için genel kılavuzlar önermiştir. Ancak, verilerin analizinde bir sınırlama vardır. Mevcutçalışma 15'te, omik verilere denetimsiz entegrasyon yöntemleri uygulanmış ve hesaplama zorluklarına odaklanmıştır. Buna karşılık, yöntemlerin kapsamı ve analizinde sınırlamalar vardır. Ayrıca, Huang ve ark.16 , büyük veri ve hesaplama çerçevelerinin gücünü anlamayı amaçlayan çeşitli uygulamaları analiz etmek için kullanılan DL yöntemlerinin çoğunu ele almıştır. Dezavantajlar arasında veri dengesizliği, aşırı uyum ve yorumlama sorunları yer alıyordu. Önerilen protokol, mevcut tekniklerin yüksek boyutlu ve çeşitli biyolojik verileri etkili bir şekilde birleştirememesi nedeniyle, entegre biyobelirteç araştırmalarındaki kritik bir boşluğu gidermek için kritik öneme sahiptir. Kalıp tanıma, özellik seçimi ve çoklu modlu birleşmede üstün olan gelişmiş ML ve DL kullanarak, önerilen başvuru, erken teşhis, prognoz ve bireysel tedavi seçeneklerini geliştiren güçlü öngörücü imzaları belirlemeyi amaçlamaktadır. Bu protokol, ölçeklenebilir, yorumlanabilir ve klinik olarak ilgili sağlık tahminlerini mümkün kılan kapsamlı ve veri odaklı bir model sunarak ayrık biyobelirteç değerlendirmelerinin sınırlamalarını doğrudan ele alır.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Deneysel iş akışı

Şekil 1, makine öğrenimi ve derin öğrenme teknikleri kullanarak moleküler biyobelirteçleri Risk veya Tanı göstergesi kategorilerine ayırmak için tasarlanmış organize ve modüler bir iş akışı boru hattını göstermektedir. İşte sürecin ayrıntılı adım adım açıklaması:

  1. Veri seti edinimi
    Veri seti, moleküler biyobelirteçlerin özenli bir veritabanı olan MarkerDB 2.0'dan toplanmıştır.
  2. Veri ön işleme
    Bu, null değerleri ve eksik girişleri işleyerek veri kalitesini ve tutarlılığını sağlar; kategorik özellikler LabelEncoder ile kodlanır ve sayısal özellikler (örneğin, entrez_gene_id) StandardScaler ile ölçeklenir.
  3. Özellik mühendisliği
    Biyobelirteç sınıflandırmasını etkileyen, veri sızıntısını önleyen ve model performansını artıran ilgili özelliklerin seçilmesi önerilir.
  4. Model geliştirme
    Kullanılan yaklaşımlar Lojistik Regresyon, Rastgele Orman, XGBoost; DL'de ise MLP, LR Zamanlayıcı ile MLP, Otomatik Giriş, TabNet. Gerçekleştirilen faaliyetler arasında Hiperparametre ayarlama, çapraz doğrulama ve sınıflandırma görevleri için Optimizasyon yer alır.
  5. Veri bölme
    Burada, eğitim seti (%80) model parametrelerini öğrenmek için, test seti (%20) ise modeli görünmeyen veriler üzerinde değerlendirmek için kullanılır. Son aşamada, özellikle dengesiz sınıf senaryolarında performansın bütünsel olarak ölçülmesini sağlamak için değerlendirme metrikleri kullanılır.

figure-protocol-1
Şekil 1: Önerilen çalışmanın akış diyagramı. Önerilen problemin iş akışı bu şekilde gösterilmiştir. Adımlar veri ön işleme, özellik mühendisliği, model geliştirme, bölme, metrikler kullanılarak model değerlendirmesi ve biyobelirteç analizidir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

2. Veri seti açıklaması

Veri seti adı csv uzantısı ile all_sequence_variants. 'id', 'variation', 'position', 'external_link', 'gene_symbol', 'entrez_gene_id', 'reference', conditions', 'indication_types' gibi isimlere sahip sütunlar vardır; bunların hepsi int tipi olarak id ve float type entrez_gene_id hariçtir. Toplam satır sayısı 42818 olup 9 sütundur. Ayrıca, veri setinde varyasyon, konum, external_link, entrez_gene_id, referans, koşullar ve indication_types için sıfır değerler bulunur. Veri seti, şu şekilde verilen bağlantıdan alınmıştır: https://markerdb.ca/downloads17

3. Veri seti ön işleme

Bu aşamada, veri ön işleme veri seti bilgisi toplama, açıklama, kopyaların belirlenmesi ve eksik/null değerlerin bulunmasıyla başlar. external_link özelliğinin korelasyon katsayısıyla ölçüldüğünde etkisi yoktur ve bu nedenle ortadan kaldırılır. Kategorik sütunların ve sayısal sütunların null değerleri sırasıyla ortalama ve ortalama ile doldurulur. Son olarak, giriş ve çıktı veri seti şekli (42787, 6)(42787,). Giriş sütunları 'id', 'variation', 'position', 'gene_symbol', 'entrez_gene_id', 'conditions' iken, hedef sütun ise indication_types'dir.

4. Biyobelirteçler: Kategoriler, veri zorlukları ve moleküler riskin rolü

Biyobelirteç, normal veya anormal biyolojik aktiviteleri veya çeşitli maruziyete veya müdahalelere yanıtları gösteren ölçülebilir bir özelliktir. Biyobelirteçler moleküler, histolojik, radyografik veya fizyolojik olabilir ve yedi ana kategoriye ayrılır: (1) Tanısal biyobelirteç, bir kişinin belirli bir hastalığı veya bozukluğu olup olmadığını ve bunun bir alt tipe girip girmediğini belirler; (2) İzleyen biyobelirteç hastalığın ilerlemesini ve tedaviye yanıtını gösterir, (3) Yanıt biyobelirteci, hastanın bir ilaca veya terapiye tepki verip vermediğini gösterir, örneğin kalp atış hızındaki değişim, (4) Öngörücü bir biyobelirteç, bir kişinin belirli bir hastalığı geliştirme riski altında olup olmadığını ve belirli bir tedaviye nasıl yanıt verebileceğini belirleyebilir, (5) Prognostik bir biyobelirteç, hastanın belirli bir sağlık sonucuna yatkınlığı varsa hastalığın ilerlemesi veya tekrarlanma olasılığına dair içgörüler sunabilir, (6) Bir risk biyobelirteci, hasta resmi bir tanı almadan önce bir durum için potansiyel risk seviyesini değerlendirir ve (7) Bir güvenlik biyobelirteci, tedaviden kaynaklanabilecek toksik veya yan reaksiyon potansiyelini değerlendirir. Bu çalışma esas olarak Şekil 2'de verildiği gibi risk değerlendirmesi ve tanı ile ilgili moleküler biyobelirteçlerin analizine odaklanmaktadır. Dünya çapında erişilebilir çok sayıda klinik veri göz önüne alındığında, biyobelirteçler klinik kararları yönlendirmekte, araştırmayı ilerletmekte ve kişiselleştirilmiş tıbbı kolaylaştırmakta hayati öneme sahiptir.

figure-protocol-2
Şekil 2: Klinik karar verme için biyomarker kategorisi. Biyobelirteç kararları bu diyagramda temsil edilmiştir. Biyobelirteçlere uygulanan analizlere dayanarak klinik kararlar değerlendirilir ve makine öğrenimi algoritmaları uygulanır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Klinik olarak faydalı biyobelirteç bilgisini bulmak ve kavramak, biyobelirteç türleri, özellikleri ve kalitesinin geniş çeşitliliği nedeniyle zordur. Son yirmi yılda biyobelirteç çalışmalarının hızlı büyümesi, özellikle moleküler biyobelirteçler için kapsamlı ve güncel verilere erişimi daha da karmaşıklaştırmıştır. Bu durum, tutarsız bulgular, mevcut biyobelirteçlerin gereksiz yeniden keşfi, çelişkili sonuçlar ve yerleşik biyobelirteçleri kullanma fırsatlarının gözden kaçması gibi sorunlarayol açmıştır 18. "Omik" ölçümlerinin ortaya çıkması bu sorunu daha da kötüleştirmiş, klinik testlerde ve literatürde yeni moleküler biyobelirteçlerin çoğalmasına yol açmış, bu da biyobelirteç bilgisini etkili bir şekilde uygulamayı ve gezinmeyi giderekzorlaştırmıştır 19.

MarkerDB 2.0, deneysel amaçlar için çeşitli moleküler biyobelirteçlere erişim sağlar20. Çeşitli biyobelirteçler, klinik araştırmalarda ve sağlık uygulamalarında hastalıkların teşhisi, tahmini ve izlenmesi için kullanılır. Bunlar arasında protein biyobelirteçleri, diyabet, tüberküloz, Down sendromu ve miyopatiyle ilişkili hastalıklar gibi durumları analiz etmek için serum, kan, beyin omurilik sıvısı (CSF), peritoneal sıvı, amniyotik sıvı, plazma ve idrar gibi biyosıvıları kullanır. Benzer şekilde, genetik biyobelirteçler LRP1, LPP, MAPT ve SPI1 gibi gen sembollerini kullanarak yaşa bağlı makula dejenerasyonu, alerjik hastalıklar, Alzheimer hastalığı, kanser ve astım gibi durumları analiz eder. Ayrıca, çok modlu moleküler biyobelirteçler, hasta riskini ve tanı göstergelerini ölçmeye yardımcıolur 21. Bu çalışma, hastalık teşhisi, tahmini ve kişiselleştirilmiş tedaviyi geliştirmek için ML yaklaşımlarını kullanarak sağlık analizinin gerekliliğini vurgulamaktadır.

5. Biyobelirteç keşfi için istatistiksel makine öğrenimi yaklaşımlarının modellemesi

Makine öğrenimi yaklaşımlarının uygulanması, sağlık alanını birçok açıdan dönüştürmüştür. Özellikle, moleküler biyobelirteçler Ana Bileşen Analizi (PCA), K-means kümeleme (KMA), En Yakın Komşu Analizi (NNA) ve sinir ağıalgoritmaları 22 dahil olmak üzere çeşitli ML teknikleri kullanılarak analiz edilmiştir. Bu modeller, seçilmiş özelliklerden karmaşık kalıpları tanımlar, eksik veya tutarsız verileri yönetir ve hastalık ilerlemesinin gerçek zamanlı takimini destekler. Hastalıkların teşhisinin yanı sıra, makine öğrenimi algoritmaları veri incelemesi ve görselleştirme yoluyla hasta sorunlarına dair önemli içgörüler sağlar ve hızlı ve hedefe yönelik bakımımümkün kılar 23. Sonuç olarak, bu durum alışılmadık durumlarda hasta sağlık sonuçlarını iyileştirir. Ayrıca, ML'nin biyobelirteç keşfini ve çeşitli hastalıklarda terapötik sonuçları devrim niteliğinde şekillendirme kapasitesi, moleküler biyobelirteçlerin analizi de dahil olmak üzere, giderek daha canlı hale gelmektedir.

ML algoritmaları, Şekil 3'te verildiği gibi beş ana tipe ayrılır. Denetimli öğrenme, girdi-çıktı ilişkilerini anlamak için etiketlenmiş veri setleri üzerinde eğitim sürecidir ve bu da sınıflandırma ve regresyon gibi görevler için ideal hale gelir; karar ağaçları ve destek vektör makineleri gibi. Denetimsiz öğrenme, etiketlenmemiş veri içindeki kalıpları tanımlar ve genellikle k-mean kümeleme ve ana bileşen analizi gibi tekniklerle kümeleme ve boyut küçültmesi için kullanılır. Yarı denetimli öğrenme, hem etiketlenmiş hem de etiketlenmemiş verileri birleştirerek tahminler üretir. Pekiştirme öğrenme, çevreden gelen geri bildirimlerle karar vermeye odaklanır ve oyun ve robotikte Q-öğrenme ve derin pekiştirme öğrenme ağları gibi yöntemlerle sıkça kullanılır. Derin öğrenme, verideki karmaşık desenleri tanımlamak için çok katmanlı yapay sinir ağları kullanır. Bu teknik, kanser, felç, Alzheimer hastalığı ve Parkinson hastalığı gibi yaygın hastalıklar için biyobelirteçlerin tahmin edilmesine yardımcı olur. Klinik olarak onaylanmış birçok uygulama bu teknolojiyikullanır 24,25. Malign tümörlü hastaların kesin teşhisi genellikle doku örneklerinin alınması ve patolojik analizine bağlıdır; bu örnekler, histolojik derece, alt tip, evre ve çeşitli diğer tümör biyobelirteçleri hakkında kritik bilgiler sağlar.

figure-protocol-3
Şekil 3: Klinik karar verme için makine öğrenimi algoritmalarının kategorize edilmesi. Diyagramdaki makine öğrenimi algoritmaları türleri, uygulanan metodolojiyi anlamaya yardımcı olmak için gösterilmiştir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

İstatistik ve makine öğrenimi, sıkça kesişen iki ayrı disiplindir. İstatistik, veri toplamak, analiz etmek ve yorumlamak ile genellikle daha küçük, iyi tanımlanmış veri setleriyle çalışmayı içerir ve esas olarak bilgiyi karşılaştırmak ve özetlemek üzerine odaklanır. Öte yandan, makine öğrenimi, yapay zekanın bir alt kümesidir ve genellikle büyük ve karmaşık veri setleriyle ilgilenen öngörücü modeller oluşturur. İstatistikler doğrulayıcı araştırma ve temel mekanizmaların anlaşılmasında önemli bir rol oynarken, ML keşif araştırmalarında, karmaşık kalıpları ortaya çıkarmada ve eksik verileri yönetmede daha etkilidir. Lojistik regresyon gibi yöntemler hem istatistiksel modeller hem de denetimli makine öğrenimi modelleri olarak kabul edilebilir ve iki alan arasındaki bulanık ayrımları gösterir. Sonuç olarak, araştırmacılar en uygun yöntemi seçmek için araştırma hedeflerini ve verilerinin niteliğini değerlendirmelidir.

6. MLP ve MLP Çeşitlerinin Modellenmesi

MLP, aynı zamanda çok katmanlı perceptron olarak da bilinir, giriş ve çıkış katmanları arasında birden fazla nöron katmanı bulunan bir sinir ağı mimarisi türüdür; Şekil 4'te gösterilmiştir. MLP 1950'lerde tanıtıldı ve 1980'lerde geri yayılma ile yaygın olarak kullanıldı; bu da kaybı en aza indirmeye yardımcı oldu. MLP'nin temel öğrenme ilkeleri, sinir ağları, ağırlıklar ve çıktıyı hesaplamak için önyargı değerleridir. Son olarak, çıktıyı çıkış katmanında almak için aktivasyon fonksiyonunu ve eşik değerini bilmek. Önerilen metodolojide, giriş katmanı, gizli katman ve çıkış katmanındaki düğümler klinik ve gen özelliklerine, tam bağlantılı katmanlara ve sigmoid aktivasyonlu tek bir nörona karşılık gelir; bu nöron sırasıyla gösterge (Risk, Tanı) tipinin ikili sonucunu tahmin eder. En büyük avantajları, eğitmenin ve yorumlamanın kolay olmasıdır. Ancak, basit MLP büyük veri kümelerini işleyemez ve öğrenmehızına duyarlıdır 26. Bu nedenle, bu eksiklikleri aşmak için, Şekil 3B'de verilen mimariyle birlikte Öğrenme Hızı Zamanlayıcı ile MLP değerlendirilmiştir. LR ile MLP, dik bozulma, üstel bozunma, ters zaman bozunması, ReduceLROnPlateau ve kosinüs tavlaması içeren güçlü bir dinamik mekanizmadır. Sabit bir LR değeri yerine, öğrenme oranı model performansı ve eğitimine göre değişir.

figure-protocol-4
Şekil 4: Çok katmanlı Perceptron ve MLP'nin LR zamanlayıcı ile modellenmesi. (A) Çok Katmanlı Perceptron: MLP'nin yapısı Giriş Katmanı, Gizli Katman ve Çıkış Katmanı ile gösterilir. İlk katman girdiyi alır ve ikinci katmanda aktivasyonlarla işler, çıktı ise son katmanda alınır. MLP uygulaması basit. (B) LR Scheduler'lı MLP: Bu MLP'ye benzer; ancak, daha iyi bir yakınsama hızı için eğitim hızını kontrol etmek amacıyla bir Öğrenme Hızı Zamanlayıcısı eklenmiştir. Öğrenme oranı bir platoda düşer. Bu, aşma minimumlarını azaltır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Bu yaklaşım, tablo veri için daha verimli, güvenilir ve etkilidir. Ayrıca, gürültülü verilerde kararlı yakınsamanın iyileştirilmesi, genelleştirmenin iyileştirilmesi ve hiperparametre ayarlamasında daha az çaba gibi faydalar vardır. Ancak, bazı tahmin görevlerinde yerel minimumlarda takılmak gibi zorluklar ortaya çıkabilir. Ayrıca, Şekil 5'te sunulan geniş ve derin MLP mimarisinde, MLP'de korelasyon haritalama, kuralların ezberlenmesi ve yeni kalıplar öğrenmede başarılı olmak, yüksek genelleştirme standartlarını korumak için geniş ve derin bileşenler tanıtılır. Bu yönler çıktı katmanına birleştirildiğinde, ikili çıktı27 olarak tahmin edilir. Ancak, görünmeyen özelliklerin genellemesi ve aşırı genelleştirme konusunda sınırlamalar vardır. Sonuç olarak, MLP ile Batch Norm ve Dropout eğitim sürecini normalleştirmek için kullanılır; öğrenme ve bilinmeyen özelliklerin genelleştirilmesi için dropout'u dahil eder. Özellikle, bu teknik yüksek boyutlu verilere uygulanabilir ve aşırı uyum önlemeye yardımcı olur. Buna rağmen, bu teknik parti boyutu sınırlamaları, artan bellek tüketimi (Batch Normalization katmanları nedeniyle) ve evrensel bir çözümdeğildir 28,29.

figure-protocol-5
Şekil 5: MLP genelinde ve Derin ağın modellenmesi. Diyagram, doğrusal olmayan ilişkileri yakalayabilen ve sınıflandırma için çıktıyı bir sigmoid birimle birleştiren MLP'nin derin yolunu gösterir. Bu mimari, heterojen biyobelirteç verileri için desen öğrenme ve bilgi biriktirir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

7. TabNet

TabNet, Google Researchekibi 30 tarafından geliştirilen Tabular Network olarak bilinen bir derin öğrenme modelidir. TabNet modelinin ana motivasyonu, görüntü, metin, konuşma (CNN, Autoencoder, Transformers) ve ağaç tabanlı ML (XGBoost, Random Forest, LightGBM) yaklaşımları arasındaki farkları uzlaştırmaktır. Ayrıca, DL yaklaşımlarının sınırlamaları TabNet modeli üzerinde büyük etkiye sahiptir; MLP parametrizlenmiş bir modeldir. Her şeyden önce, DL yaklaşımları gerçek dünya problemlerinde yorumlama, kendi denetimli öğrenme ve ardışık öğrenme kapasitesindenyoksundur 31. TabNet modelleri, sigorta risktahmini 32, kömür külü içeriğitahmini 33, kimyasal toksisitetahmini 34 ve eğitim testinde hile tespiti35 gibi uygulamalarla sınırlıdır. TabNet'in mimarisi Şekil 6'da verilmiştir.

figure-protocol-6
Şekil 6: Tablo ağı modellemesi. Tablo ağ, giriş özelliklerini tablo formatında alır ve transformatör tekniğini her blokta sıralı olarak uygular. GLU bloğu, aynı zamanda Kapılı Doğrusal Birim bloğu olarak da bilinir, ağ boyunca bilgi akışını kontrol eder, özellik seçimini ve kararlı öğrenmeyi kolaylaştırır. Çıktı, biriktirilen çıktıdan çıktı katmanında sunulur. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Yukarıdaki mimari diyagramdan sistem dört bileşene ayrılmıştır: Giriş bloğu, Paylaşılan Özellik Transformatoru, Ardışık Karar Adımları ve optimizasyon kullanılarak kayıp hesaplama. Kategorik özelliklerde, özellikler gömülü katmanı takip ederek tam sayılara dönüştürülür. Aynı zamanda, sürekli özellikler olduğu gibi alınır. Son olarak, özellikler x ∈ Rd. Bir sonraki adımda, aktivasyon fonksiyonlarına sahip tamamen bağlı katmanlar uygulanır, ardından veriyi vektöre dönüştürmek için bir dönüşüm yapılır ve karar verilir. Üçüncü adımda, dikkat transformatör, maskeleme, karar transformatörü ve tahmin birikimi ardışık olarak kullanılır. Bu adımın amaçları seçici dikkat, ardışık akıl yürütme ve karar yollarıdır. Son adımda, kaybı bulmak ve değeri optimize etmek için ikili çapraz entropi veya benzeri yöntemler kullanılır. Ayrıca, aşırı uyumu önlemek için seyrek dikkat kullanılarak düzenlenir.

8. Otomatik Müdahale

Otomatik Özellik Etkileşim Öğrenme ( Self-Attention Nerral Networks) (AutoInt), Tıklama Oranı (CTR) tahmini36'da tanıtılan ve daha sonra yazılım hatatahmini 37, öneri sistemleri38 ve Genom tespiti39 gibi çeşitli uygulamalara uygulanan tam Otomatik Int'tir. Mevcut makine öğrenimi yaklaşımlarında sınırlamalar vardır; bunlar arasında yüksek boyutlu seyrek verilerin işlemesi, üst düzey kombinatoryal özellikler, özelliğin tahmin yeteneğinin anlaşılması ve manuel özellik mühendisliği gerekliliği yer alır. Tüm bu zorluklar AutoInt modeli tarafından verimlilik, etkinlik ve açıklanabilirlikle ele alınmaktadır. Önerilen metodolojide AutoInt'in amacı, verilen varyantın Risk veya Tanısal gösteri tipi olup olmadığını tahmin etmektir. Verilen veri seti için, Şekil 6'da gösterildiği gibi, kaynak kodu ile birlikte yedi adım önerilmiştir. İlk olarak, veri okuma ve ön işleme, tüm kategorik özellikleri tam sayı olarak kodlamak ve etiketleri sırasıyla Risk ve Tanı için 0 ve 1'e eşlemek için uygulanır. İkinci adımda, gömülü matrisi oluşturmak için özellik temsili yapılır; bunun ardından, matris sayısal özellikleri normalleştirmek için dönüştürülür. Özellikler arasındaki nötr otomatik etkileşimin transformatörlerle manuel etkileşim olmadan öğrenildiği etkileşimli katmanlar vardır. Ayrıca, birden fazla baş farklı etkileşim türlerini öğrenir ve son olarak, özellikler birleştirilir, bu da temsilin güçlendirilmesini sağlar. Kalıntı bağlantılar, 1 özellik, 2 özellik, 3 özellik gibi hem alt hem üst dereceden etkileşimleri öğrenmek için mevcuttur. Son olarak, kalıntı ağdan, çıktılar ikili değer hesaplamaları için sigmoid fonksiyonuna iletilir, Şekil 7'de gösterildiği gibi.

figure-protocol-7
Şekil 7: Otomatik Int Ağının Modellenmesi. AutoInt Ağı özellikleri otomatik olarak öğrenir; gömülü katman özellikleri alır ve öz-dikkat mekanizması ile kalıntı bağlantılarla bir sonraki katmana eşler. Son bileşende MLP katmanı ve çıktıyı üretmek için aktivasyon fonksiyonları bulunur. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Deneyler, performanslarını karşılaştırmak için ML ve DL yaklaşımları kullanılarak gerçekleştirilir. Aynı zamanda, hem denetimli hem de denetimsiz öğrenme mekanizmalarını kullanan makine öğrenimi modelleri oluşturmak da düşünülmektedir. Bu metodolojide kullanılan denetli teknikler Lojistik Regresyon, Karar Ağacı, Rastgele Orman, Gradient Boost, Destek Vektör Makinesi ve K-En Yakın Komşu algoritmalarıdır. Bu algoritmalar, basit istatistiksel modellerden karmaşık ağaç tabanlı analizlere kad...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Önerilen çalışma, bir hastalığın tanımlanması ve izlenmesinde biyobelirteçlerin önemini ve özelliklerini açıkça tartışmaktadır. Biyobelirteç metodolojisi için önerilen yaklaşım dört temel adıma dayanır: dikkatli veri hazırlama (temizleme, kodlama, tanımlayıcıların ortadan kaldırılması); uniform hedef kodlaması (Risk=0, Diagnostic=1); AutoInt37/TabNet gibi modeller için özelliklerin normalizasyonu ve yüksek kaliteli derin gömülme; ve sağlam bir değerlendirme süreci...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarların açıklayacak hiçbir şeyi yok.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar dış bir fon almadılar.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
AutoInt ModeliPekin Üniversitesihttps://github.com/shichence/AutoIntÖz-Dikkatli Sinir Ağları Üzerinden Otomatik Özellik Etkileşim Öğrenmesi: (seyrek) kategorik ve sayısal özellikler için yüksek dereceli özellik etkileşimlerini otomatik olarak öğrenmek için verimli algoritma
deepctr_torch.modellerAçık kaynakhttps://github.com/shenweichen/DeepCTR-TorchKendi özel modelini kolayca oluşturmak için derin öğrenme tabanlı CTR modelleri modüler ve genişletilebilir paket.
Google ColaboratoryGooglehttps://colab.research.google.com/Bulut tabanlı  tarayıcı üzerinden makine öğrenimi, veri analizi için Python kodunu yazmak ve çalıştırmak için ortam
Keras 2.6.0Kerashttps://keras.io/Tensorflow üzerinde çalışan sinir ağlarını çalıştırmak için bir Python arayüzü sağlar
MarkerDB 2.0MarkerDBhttps://markerdb.ca/downloadsMoleküler Biyobelirteçlerin Kamu Açık Veritabanı
Matplotlib 3.4.3Matplotlib https://matplotlib.org/Python için görselleştirme kütüphanesi
Numpy 1.21.4Numpyhttps://numpy.org/Python ile bilimsel hesaplama için temel paket
Pandas 1.3.4Pandalarhttps://pandas.pydata.org/Python programlama dili üzerine inşa edilmiş, güçlü, esnek ve kullanımı kolay açık kaynak veri analizi ve manipülasyon aracı.
Python 3.8.10Python Yazılım Vakfıhttps://www.python.org/Derin öğrenme sistemlerini daha etkili şekilde entegre eden popüler programlama dili.
pytorch_tabnet.tab_modelPytorchhttps://pypi.org/project/pytorch-tabnet/İkili/çok sınıflı sınıflandırma ve regresyon problemlerinin uygulanması için.
Scikit-learnScikit-learnhttps://scikit-learn.org/stable/Makine öğrenimi algoritmaları için Python modülü
SeabornSeabornhttps://seaborn.pydata.org/Çekici ve bilgilendirici istatistiksel grafikler çizmek için yüksek seviyeli veri görselleştirme kütüphanesi
TabNet ModeliGooglehttps://github.com/dreamquark-ai/tabnetTabNet, tablo veriyi doğrudan işlemek için tasarlanmış uçtan uca bir sinir ağıdır
Tensorflow 2.6.0Googlehttps://www.tensorflow.org/Makine öğrenimi için uçtan uca bir platform

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Mollarasouli, F., Bakirhan, N. K., Ozkan, S. A. Introduction to biomarkers. The detection of biomarkers. , Academic Press. 1-22 (2022).
  2. Doroszkiewicz, J., Groblewska, M., Mroczko, B. Molecular biomarkers and their implications for the early diagnosis of selected neurodegenerative diseases. Int J Mol Sci. 23 (9), 4610(2022).
  3. Steyaert, S., et al. Multimodal data fusion for cancer biomarker discovery with deep learning. Nat Mach Intell. 5 (4), 351-362 (2023).
  4. DeGroat, W., et al. Multimodal AI/ML for discovering novel biomarkers and predicting disease using multi-omics profiles of patients with cardiovascular diseases. Sci Rep. 14 (1), 26503(2024).
  5. Myrou, A., Barmpagiannos, K., Ioakimidou, A., Savopoulos, C. Molecular biomarkers in neurological diseases: advances in diagnosis and prognosis. Int J Mol Sci. 26 (5), 2231(2025).
  6. Bansal, A., Shukla, A. K., Bansal, S. Machine learning methods for predictive analytics in health care. Proc IEEE Int Conf Syst Modeling Adv Res Trends. , 258-262 (2021).
  7. Adeghe, E. P., Okolo, C. A., Ojeyinka, O. T. A review of the use of machine learning in predictive analytics for patient health outcomes in pharmacy practice. OARJ Life Sci. 7 (1), 052-058 (2024).
  8. Mirabnahrazam, G., et al. Machine learning based multimodal neuroimaging genomics dementia score for predicting future conversion to Alzheimer's disease. J Alzheimers Dis. 87 (3), 1345-1365 (2022).
  9. Taj, F., Stein, L. D. MMDRP: drug response prediction and biomarker discovery using multimodal deep learning. Bioinform Adv. 4 (1), vbae010(2024).
  10. Lazaros, K., et al. Non-invasive biomarkers in the era of big data and machine learning. Sens. 25 (5), 1396(2025).
  11. Mathema, V. B., Sen, P., Lamichhane, S., Orešič, M., Khoomrung, S. Deep learning facilitates multi-data type analysis and predictive biomarker discovery in cancer precision medicine. Comput Struct Biotechnol J. 21, 1372-1382 (2023).
  12. Pearson, T. A., et al. Precision health analytics with predictive analytics and implementation research: JACC state-of-the-art review. JACC. 76 (3), 306-320 (2020).
  13. Parvin, N., Joo, S. W., Jung, J. H., Mandal, T. K. Multimodal AI in biomedicine: Pioneering the future of biomaterials, diagnostics, and personalized healthcare. Nanomaterials. 15 (12), 895(2025).
  14. Somepalli, G., Goldblum, M., Schwarzschild, A., Bruss, C. B., Goldstein, T. SAINT: Improved neural networks for tabular data via row attention and contrastive pre-training. arXiv. , (2021).
  15. Libbrecht, M. W., Noble, W. S. Machine learning applications in genetics and genomics. Nat Rev Genet. 16 (6), 321-332 (2015).
  16. Huang, S., Chaudhary, K., Garmire, L. X. More is better: Recent progress in multi-omics data integration methods. Front Genet. 8, 84(2017).
  17. Li, Y., Huang, C., Ding, L., Li, Z., Pan, Y., Gao, X. Deep learning in bioinformatics: introduction, application, and perspective in the big data era. Methods. 166, 4-21 (2019).
  18. Frangogiannis, N. G. Biomarkers: Hopes and challenges in the path from discovery to clinical practice. Transl Res. 159 (4), 197-204 (2012).
  19. Frantzi, M., et al. Omics-derived biomarkers and novel drug targets for improved intervention in advanced prostate cancer. Diagn. 10 (9), 658(2020).
  20. Jackson, H., et al. MarkerDB 2.0: A comprehensive molecular biomarker database for 2025. Nucleic Acids Res. 53, D1415-D1426 (2025).
  21. DeGroat, W., et al. IntelliGenes: A novel machine learning pipeline for biomarker discovery and predictive analysis using multi-genomic profiles. Bioinform. 39 (12), btad755(2023).
  22. Thelagathoti, R. K., et al. A hybrid sequential feature selection approach for identifying new potential mRNA biomarkers for Usher syndrome using machine learning. Biomol. 15 (7), 963(2025).
  23. Ng, S., Masarone, S., Watson, D., Barnes, M. R. The benefits and pitfalls of machine learning for biomarker discovery. Cell Tissue Res. 394 (1), 17-31 (2023).
  24. Chudzik, A., Śledzianowski, A., Przybyszewski, A. W. Machine learning and digital biomarkers can detect early stages of neurodegenerative diseases. Sens. 24 (5), 1572(2024).
  25. Chang, C. H., Lin, C. H., Lane, H. Y. Machine learning and novel biomarkers for the diagnosis of Alzheimer's disease. Int J Mol Sci. 22 (5), 2761(2021).
  26. Bzdo, D., Altman, N., Krzywinski, M. Statistics versus machine learning. Nat Methods. 15 (4), 233-234 (2018).
  27. Bikku, T. Multi-layered deep learning perceptron approach for health risk prediction. J Big Data. 7 (1), 50(2020).
  28. Smith, L. N. A disciplined approach to neural network hyper-parameters: part 1-learning rate, batch size, momentum, and weight decay. arXiv. , (2018).
  29. Kim, T. Generalizing MLPs with dropouts, batch normalization, and skip connections. arXiv. , (2021).
  30. Chen, G., Chen, P., Shi, Y., Hsieh, C. Y., Liao, B., Zhang, S. Rethinking the usage of batch normalization and dropout in the training of deep neural networks. arXiv. , (2019).
  31. Arik, S. Ö, Pfister, T. Tabnet: attentive interpretable tabular learning. Proc AAAI Conf Artif Intell. 35 (8), 6679-6687 (2021).
  32. Qamar, T., Bawany, N. Z. Understanding the black-box: towards interpretable and reliable deep learning models. PeerJ Comput Sci. 9, e1629(2023).
  33. McDonnell, K., Murphy, F., Sheehan, B., Masello, L., Castignani, G. Deep learning in insurance: accuracy and model interpretability using TabNet. Expert Syst Appl. 217, 119543(2023).
  34. Zhou, M., Wen, Z., Xu, G., Zhang, Z., Zhou, C. Deep learning with TabNet: Rapid coal ash content estimation via X-ray fluorescence. Int J Coal Prep Util. 45 (3), 523-547 (2025).
  35. Mustafa, F. M., et al. TabNet and TabTransformer: Novel deep learning models for chemical toxicity prediction in comparison with machine learning. J Appl Toxicol. , (2025).
  36. Zhen, Y., Zhu, X. An ensemble learning approach based on TabNet and machine learning models for cheating detection in educational tests. Educ Psychol Meas. 84 (4), 780-809 (2024).
  37. Song, W., et al. Autoint: Automatic feature interaction learning via self-attentive neural networks. Proc ACM Int Conf Inf Knowl Manage. , 1161-1170 (2019).
  38. Jadhav, S., Manikandan, S., Ryu, D. Enhancing the software defect prediction using AutoInt. IEEE Int Conf Big Data Smart Comput. , 103-104 (2025).
  39. He, H., Zhang, R., Zhang, Y., Ren, J. AAIN: Attentional aggregative interaction network for deep learning based recommender systems. Neurocomputing. 547, 126374(2023).
  40. Fan, Y., Waldmann, P. Tabular deep learning: A comparative study applied to multi-task genome-wide prediction. BMC Bioinform. 25 (1), 22(2024).
  41. Kanász, R., Drotár, P., Gnip, P., Zoričák, M. Clash of titans on imbalanced data: TabNet vs XGBoost. Conf IEEE Trans Artif. , 320-325 (2024).
  42. Hwang, Y., Song, J. Recent deep learning methods for tabular data. Commun Stat Appl Methods. 30 (2), 215-226 (2023).
  43. Gorishniy, Y., et al. TabR: Tabular deep learning meets nearest neighbors in 2023. arXiv. , (2023).
  44. Kalidindi, A., Arrama, M. B. A TabTransformer based model for detecting botnet-attacks on internet of things using deep learning. J Theor Appl Inf Technol. 101 (13), 5206-5218 (2023).
  45. Holzmüller, D., Grinsztajn, L., Steinwart, I. RealMLP: Advancing MLPs and default parameters for tabular data. ELLIS Workshop on Representation Learning and Generative Models for Structured Data. , (2025).
  46. Zhu, B., et al. Xtab: cross-table pretraining for tabular transformers. arXiv. , (2023).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Machine Learning BiomarkersMultimodal BiomarkersPredictive Health AnalyticsMolecular BiomarkersDisease MonitoringRisk AssessmentPatient StratificationDeep Learning TechniquesProtein BiomarkersGenetic Biomarkers

Related Articles