Un marco de aprendizaje conjunto eficiente y explicable para la detección temprana de biomarcadores de cáncer de...

Área de la Ciencia:

• Biología computacional y bioinformática
• La inteligencia artificial en la medicina
• Investigación en oncología y cáncer

Sus antecedentes:

• La detección temprana del cáncer de pulmón de células no pequeñas (CPNP) es crítica para los resultados de los pacientes.
• La interpretabilidad de los modelos de aprendizaje automático en el descubrimiento de biomarcadores sigue siendo un desafío importante.
• Los datos de expresión génica ofrecen potencial para identificar biomarcadores de CPNM, pero requieren un análisis sofisticado.

Objetivo del estudio:

• Proponer un marco de aprendizaje conjunto eficiente y explicable (EEE-framework) para la detección temprana de biomarcadores de NSCLC.
• Para abordar la compensación entre la precisión y la interpretabilidad en los modelos de detección de NSCLC.
• Identificar y comprender la importancia y las interrelaciones de los biomarcadores del NSCLC utilizando una IA explicable.

Principales métodos:

• Desarrolló un modelo de aprendizaje de conjunto utilizando cinco aprendices de base interpretables (Árbol de decisión, Bosque aleatorio, XGBoost, AdaBoost, Gaussian Naive Bayes) con integración de conjunto de votación.
• Se empleó un enfoque de múltiples perspectivas que utiliza seis métodos de inteligencia artificial explicable (XAI) para la identificación de biomarcadores (interpretabilidad local, global, intrínseca y post-hoc).
• Validación del marco EEE en el conjunto de datos TCGA RNA_seq y un conjunto de datos de metilación autoconstruido.

Principales resultados:

• El modelo de aprendizaje conjunto logró un alto rendimiento de clasificación con puntuaciones F1 de 0,9983 (AUC: 0,9993) y 0,8462 (AUC: 0,9249) en los respectivos conjuntos de datos.
• La visualización interpretable global y local proporcionó información significativa sobre la importancia, las interrelaciones y la causalidad de los biomarcadores del NSCLC.
• El marco EEE demostró una gran capacidad de generalización y una mayor interpretabilidad en los resultados de detección del NSCLC.

Conclusiones:

• El marco EEE equilibra efectivamente la precisión y la interpretabilidad para la detección temprana del NSCLC y el descubrimiento de biomarcadores.
• Los métodos de IA explicables mejoran significativamente la comprensión de los datos complejos de los biomarcadores en el CPNM.
• Este marco ofrece una herramienta prometedora para mejorar el diagnóstico del NSCLC y orientar la investigación posterior.