贝叶斯风险预测模型通过整合临床病理学和基因组数据来预测结直肠癌死亡率
Melissa Zhao1, Mai Chan Lau2, Koichiro Haruki2
1Program in MPE Molecular Pathological Epidemiology, Department of Pathology, Brigham and Women's Hospital and Harvard Medical School, Boston, MA, USA. mzhao11@bwh.harvard.edu.
NPJ precision oncology
|June 10, 2023
概括
贝叶斯增量回归树 (BART) 通过分析瘤特征来改善结直肠癌存活率预测. 这种新的方法将患者分为风险组,增强临床瘤学实践.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 统计学学习 统计学学习
背景情况:
- 使用瘤结节转移 (TNM) 进行结肠直肠癌分期,由于瘤异质性和不精确的传播评估,预测患者存活率存在局限性.
- 准确的预后预测对于有效的治疗计划和结直肠癌患者管理至关重要.
研究的目的:
- 使用贝叶斯增量回归树 (BART) 开发一种改善的结直肠癌预后模型.
- 确定在II-III期结直肠癌患者中生存的关键瘤特异性预测因子.
- 验证模型的性能和临床适用性.
主要方法:
- 利用贝叶斯增量回归树 (BART),一种统计学习技术,对患者特异性瘤特征进行全面分析.
- 分析了75个变量 (临床病理学,免疫,微生物,基因组) 来自两个美国前性队列研究中的815名II-III期结肠直肠癌患者.
- 外部验证了使用癌症基因组图谱 (TCGA) 数据集开发的风险模型.
主要成果:
- 该BART风险模型确定了七个稳定的生存预测因素.
- 将风险分为低风险,中风险和高风险群体的分层显示出统计学上显著的生存差异 (危险比率为0.19-0.45,P < 0.0001).
- 该模型通过TCGA数据 (P = 0.0004) 证明了强大的外部验证,并且在灵活性和可解释性方面超过了其他机器学习模型.
结论:
- 使用BART的综合生物信息分析可以有效地将结直肠癌患者分为不同的预后组.
- 开发的BART模型提供了一个灵活,可解释和准确的工具,用于结直肠癌的预后预测.
- 这种方法在临床瘤学实践中有很大的直接应用潜力,以改进患者管理.
