抗癌药物药性预测模型

医疗健康专业细分服务案例ID：151085

无问木辛

1 年经验· 北京铁血科技股份公司

微信扫码沟通，客服可协助直接对接工程师；如当前档期不合，也可继续推荐相似案例作者。

案例介绍

本项目将数据预处理，设计DNN模型，利用反向传播（BP）算法构建具有很多隐层的机器学习模型，用预处理的大量训练数据来学习模型特征，从而保证预测的准确性达到要求。
我们将药物Irinotecan的未知数据（其在317个细胞系下的反应数据已知，187个未知）作为预测目标，将其他药物的相应的317个数据看做输入，187个数据作为目标输出，来训练神经网络。
用python首先导入数据，用pandas库函数导入csv数据，然后转化为numpy矩阵，大小为[504,23]（从0开始），将数据分为训练集和测试集，317组为训练集，187组为测试集。每组数据有23个属性，训练集中的标签就是药物Irinotecan对该组细胞的药性，测试集中标签未知，为要预测的值。将训练集分为训练集和验证集，因为数据集较小，用k折交叉验证法验证神经网络的精度（使用mse损失函数，监控指标mae平均绝对误差），网络包含两个隐藏层，每层64个隐藏单元，最后一层只有一个单元（没有激活，标量回归）。选取的折数为4，每折训练500次。最终输出预测值，即药物在187个细胞里的反应，另外输出平均绝对误差（为预测值与目标值的差距）。
在Python实现的基础上，利用Matlab再次实验。
Matlab实现过程：构建了三层神经网络，每层20个神经元，选择了19个样本来训练神经网络；选择了2个验证样例用来衡量网络泛化，并在泛化不再改善时停止训练；选择了2样本用于测试，测试集对神经网络的训练没有影响，因此可以在训练完成后独立地测量网络性能。