Un Marco de Aprendizaje por Transferencia Multimodal para Reducir las Disparidades en Salud en el Adenocarcinoma de...

Área de la Ciencia:

• Oncología
• Bioinformática
• Investigación de Disparidades en Salud

Sus antecedentes:

• El adenocarcinoma de próstata (PRAD) afecta de manera desproporcionada a los hombres afroamericanos, con tasas de incidencia y mortalidad más altas en comparación con los hombres blancos no hispanos.
• Los métodos existentes de aprendizaje automático (ML) para PRAD enfrentan desafíos con los requisitos de grandes conjuntos de datos y la integración de datos multiómicos, lo que limita su efectividad en la reducción de las disparidades de salud.
• Los enfoques actuales de ML a menudo se basan en datos uni-ómicos, descuidando el potencial de la información multiómica integrada para mejorar la precisión y la reducción de disparidades.

Objetivo del estudio:

• Desarrollar y evaluar MOTLPRAD, un novedoso marco de aprendizaje por transferencia de integración multiómica diseñado para reducir las disparidades de salud en el cáncer de próstata (PRAD).
• Investigar la eficacia de la integración de datos multiómicos (ARNm, miARN, metilación) para mejorar el pronóstico de PRAD y mitigar las disparidades raciales.
• Comparar el rendimiento de MOTLPRAD frente al aprendizaje por transferencia convencional y otros modelos computacionales para abordar las disparidades de salud en PRAD.

Principales métodos:

• Desarrollado MOTLPRAD, un marco que combina métodos de conjunto multimodales (coeficiente de correlación de Pearson, autoencoder variacional) para la integración de datos ómicos.
• Empleo de aprendizaje por transferencia con adaptación de dominio, preentrenamiento en grupos mayoritarios y ajuste fino en grupos minoritarios (afroamericanos) para abordar el desequilibrio de datos.
• Utilización de la Técnica Sintética de Sobremuestreo de Minorías (SMOTE) para aumentar las muestras del grupo minoritario y mejorar el rendimiento del modelo en la reducción de las disparidades de salud.
• Validación del modelo utilizando datos multiómicos de la base de datos The Cancer Genome Atlas (TCGA) para la predicción del intervalo libre de progresión (PFI) de PRAD.

Principales resultados:

• MOTLPRAD superó significativamente al aprendizaje por transferencia convencional y a otros modelos computacionales en la reducción de las disparidades raciales para el pronóstico del intervalo libre de progresión (PFI) de PRAD.
• La integración de datos multiómicos demostró una mejora notable en la mitigación de las disparidades de salud en comparación con el uso de datos uni-ómicos.
• El marco propuesto abordó eficazmente los problemas de desequilibrio de datos a través de SMOTE, mejorando aún más su capacidad para reducir las disparidades.

Conclusiones:

• MOTLPRAD proporciona un marco novedoso y eficaz para mitigar sistemáticamente las disparidades de salud en PRAD, particularmente para los grupos subrepresentados.
• La integración de datos multiómicos es crucial para potenciar el rendimiento de los modelos de ML en la abordaje de las disparidades raciales en el pronóstico del cáncer.
• Este enfoque ofrece una dirección prometedora para mejorar el diagnóstico, pronóstico y resultados del tratamiento de PRAD para todos los grupos étnicos.