在甲状腺癌患者的血清和尿液中使用机器学习辅助的金属学分析及其对环境的影响
Zigu Chen1, Xian Liu2, Weichao Wang2
1State Key Laboratory of Environmental Chemistry and Ecotoxicology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, Beijing 100085, China; University of Chinese Academy of Sciences, Beijing 100190, China.
The Science of the total environment
|June 25, 2023
概括
甲状腺癌的风险与微量金属水平有关. 金属组分析与机器学习相结合,可以准确预测甲状腺癌,将血清确定为关键指标.
科学领域:
- 环境科学 环境科学
- 生物化学 生物化学
- 在瘤学瘤学.
背景情况:
- 全球甲状腺癌的发病率正在上升.
- 甲状腺健康受到重要微量金属和环境污染物的影响.
- 重金属可以破坏甲状腺形态和平衡.
研究的目的:
- 为了研究甲状腺癌患者的金属学变化.
- 开发一种机器学习模型,使用金属学数据来预测甲状腺癌.
- 确定用于甲状腺癌检测的关键元素生物标志物.
主要方法:
- 40名甲状腺癌患者和40名对照患者的血清和尿液的金属学分析.
- 血清铜 (Cu) 同位素组成的分析.
- 开发和评估七个用于预测的机器学习算法.
- 应用沙普利添加式解释 (SHAP) 来解释模型.
主要成果:
- 在血清和尿液金属学特征 (Cr, Mn, Fe, Co, Ni, Cu, Zn, As, Sr, Cd, I, Ba, Tl, Pb) 中,患者和对照人之间存在显著差异.
- 通过同位素分析发现的铜代谢障碍.
- 随机森林模型实现了高预测准确度 (0.813在测试组).
- 血清 (Pb) 被确定为SHAP分析中最重要的预测因子.
结论:
- 金属学分析与机器学习相结合,显示出甲状腺癌识别的前景.
- 环境重金属暴露可能导致甲状腺癌病因.
- 这项研究开创了用于癌症诊断的金属学和机器学习的整合.
