返回
Multi-association driven gene risk prediction based on graph convolutional network
DOI:10.1016/j.asoc.2026.116092.png)
摘要
En 中文
• 提出整合局部和全局患者关系的多关联图卷积网络(GCN)框架用于风险预测。
• 开发了加权图构建算法,用于量化跨临床维度的特征重要性。
• 验证样本间的结构关系可增强分类性能(AUC 0.8914,准确率86.78%)。
• 展示了3层模型在保持计算效率的同时优化性能。
• 建立了经济有效的MammaPrint替代方案,并提供可解释的图分析方法。
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
Using random forest and biomarkers for differentiating COVID-19 and Mycoplasma pneumoniae infections
SCIENTIFIC REPORTS
IF3.9
Gene Expression Profiles from Formalin Fixed Paraffin Embedded Breast Cancer Tissue Are Largely Comparable to Fresh Frozen Matched Tissue
PLoS ONE
IF0
A weighted patient network-based framework for predicting chronic diseases using graph neural networks基于加权患者网络的图神经网络慢性病预测框架
SCIENTIFIC REPORTS
IF3.9

