طبقه‌بندی زیرگروه‌های سرطان وظیفه بسیار مهمی برای تشخیص و پیش آگهی سرطان است. در سال‌های اخیر، روش‌های یادگیری عمیق به همین دلیل محبوبیت قابل‌توجهی به دست آورده‌اند. بااین‌حال، تعیین ساختار شبکه عصبی دشوار است زیرا عملکرد شبکه عمیق تا حد زیادی به ساختار آن بستگی دارد. علاوه بر این، تعداد بالای ژن‌ها در پایگاه داده بیان ژن و عدم تعادل داده‌ها بین طبقات مختلف تأثیر مستقیمی بر پیچیدگی و عملکرد مدل‌های طبقه‌بندی زیرگروه سرطان دارد. برای پرداختن به مشکل داده‌های نامتعادل، یک مدل شبکه عصبی کانولوشن (CNN) با استفاده از یک استراتژی حساس به هزینه برای افزایش دقت مدل در شناسایی کلاس‌های اقلیت پیشنهادشده است. از سوی دیگر، از تکنیک ضریب فیشر برای کاهش ژن‌ها در مرحله پیش‌پردازش استفاده می‌شود. در روش حساس به هزینه، ماتریس هزینه بر اساس توزیع کلاس‌ها ایجاد می‌شود و سپس از این ماتریس در مرحله تابع هزینه شبکه CNN برای محاسبه میزان خطا استفاده می‌شود. دو مجموعه از مجموعه داده‌های سرطان برای ارزیابی روش پیشنهادی استفاده می‌شود. نتایج با استفاده از سه معیار دقت، فراخوانی و دقت مقایسه می‌شوند. نتایج نشان می‌دهد که انتخاب ژن‌های مناسب برای طبقه‌بندی به همراه استفاده از یادگیری حساس به هزینه برای این منظور می‌تواند عملکرد روش پیشنهادی نسبت به مدل CNN بدون انتخاب ویژگی و یادگیری حساس به هزینه حدود 11%، 10% و 18% به ترتیب برای دقت، فراخوانی و صحت افزایش دهد.