早期检测口腔舌头状细胞癌使用多维血蛋白分析和可解释的机器学习
Xiaolian Gu1, Amir Salehi1, Lixiao Wang1
1Department of Medical Biosciences/Pathology, Umeå University, Umeå, Västerbotten, Sweden.
概括
这项研究使用可解释的机器学习 (ML) 和血蛋白分析来开发口腔舌头状细胞癌 (SCCOT) 的早期检测方法. 该方法确定了IL10,TRAF2和KLK12等关键蛋白质用于风险评估.
科学领域:
- 生物标志物发现发现
- 机器学习在瘤学中
- 蛋白质组学是指蛋白质组学.
背景情况:
- 早期发现癌症可以改善患者的治疗结果,并减少医疗负担.
- 可解释机器学习 (ML) 提供了增强癌症风险评估的潜力.
- 血蛋白分析可以揭示特定疾病的分子特征.
研究的目的:
- 开发和验证一种可解释的ML模型,用于早期检测口腔舌头状细胞癌 (SCCOT).
- 确定可预测SCCOT发育的关键血蛋白.
- 建立一个系统的方法,用于临床前SCCOT识别.
主要方法:
- 分析了来自123个人的261个血蛋白,包括那些后来患上SCCOT的人.
- 应用五个ML算法 (AdaBoost,ANNs,DT,XGBoost,SVM) 进行预测模型开发.
- 利用夏普利添加式扩展 (SHAP) 进行特征选择和模型解释性.
主要成果:
- 支持矢量机 (SVM) 模型使用22个选定的蛋白质特征实现了高性能 (ROC-AUC = 0.924).
- SHAP分析表明,特征对模型预测的个人特征的影响.
- 干白素10 (IL10),TNF受体关联因子2 (TRAF2) 和卡利克林相关酶12 (KLK12) 是最重要的预测因子.
结论:
- 多维血蛋白分析与可解释的ML相结合,为早期SCCOT检测提供了一个可行的策略.
- 这种方法可以在临床表现之前识别SCCOT风险.
- 鉴定的蛋白质生物标志物和ML模型对癌症查中的临床应用具有前景.
