基于代谢指数的XGBoost模型的构建,用于基于代谢指数的早期肺癌预测

科学领域:

• 生物化学 生化学
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 肺癌的诊断依赖于早期检测,以提高患者的生存率.
• 正在研究等离子体代谢物作为潜在的非侵入性生物标志物.
• 为了准确和及时的肺癌查,需要新的方法.

研究的目的:

• 评估血代谢物作为早期肺癌诊断生物标志物的疗效.
• 开发一种结合代谢学和机器学习的跨学科方法,用于肺癌预测.
• 为了确定特定的代谢生物标志物,表明早期的肺癌.

主要方法:

• 利用向代谢学 (LC-MS/MS) 来分析47个血清氨基酸和肉氨酸指标.
• 使用机器学习算法,特别是XGBoost,用于预测建模.
• 从478名肺癌患者和370名对照患者的队列中,在逐步回归查后选择了16个关键指标.

主要成果:

• XGBoost模型表现出强大的预测性能,AUC为0.81,准确率为75.29%,灵敏度为74%.
• 奥尼丁和棕甲基卡尼丁被确定为肺癌查的显著代谢生物标志物.
• 这项研究支持基于血液的代谢物查可用于早期肺癌检测的可行性.

结论:

• 综合代谢学和机器学习 (XGBoost) 的跨学科方法有效预测早期肺癌的发生.
• 甲尼丁和棕甲尼丁显示出作为早期肺癌诊断生物标志物的显著潜力.
• 这种方法为早期肺癌预测提供了更安全,更快,更准确的工具.