假定遗传途径和临床信息之间的协同作用,用于预测早期非小细胞肺癌复发的预测
Mohan Timilsina1, Dirk Fey2, Samuele Buosi1
1Data Science Institute, Insight Centre for Data Analytics, University of Galway, Ireland.
Journal of biomedical informatics
|June 23, 2023
概括
这项研究通过将基因组数据与临床信息相结合,改善了肺癌复发预测. 新的可解释机器学习模型增强了精确瘤学的患者分层.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 机器学习 机器学习
背景情况:
- 肺癌复发在早期是不可预测的,阻碍了个性化治疗.
- 当前的预测模型往往缺乏基因组数据,限制了准确性.
- 准确的复发预测对于肺癌的精准医学至关重要.
研究的目的:
- 增强机器学习模型,用于预测早期非小细胞肺癌复发的情况.
- 为了更好地预测,将假定的基因组途径得分与临床数据相结合.
- 根据复发风险开发一种可解释的AI模型,用于基于复发风险的患者分层.
主要方法:
- 利用TCGA肺癌队列来归因遗传途径得分.
- 将假设得分应用于西班牙肺癌组 (SLCG) 数据集 (1348名患者).
- 开发并评估了用于复发预测的集成机器学习模型.
主要成果:
- 获得了0.80的ROC-AUC和0.75的PR-AUC.
- 报告F1得分为0.61和精度为0.80.
- 为了模型的可解释性,使用了SHAP.
结论:
- 可解释的预测模型成功地集成了代理基因组数据.
- 该模型解决了治疗后患者分层的临床需求.
- 这种方法提高了肺癌复发风险的预测能力.
