可解释的人工智能通过基因表达来预测和识别前列腺癌组织

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 机器学习在瘤学中

背景情况:

• 前列腺癌 (PCa) 是全球男性的主要癌症,目前的查方法,如PSA测试缺乏特异性,数字直肠检查往往没有确定性.
• 迫切需要可靠的诊断工具来帮助病理学家,并提高临床实践中PCa检测的准确性.
• 现有的研究已经确定了潜在的生物标志物,但很少有人转化为常规诊断应用或临床医生的决策支持工具.

研究的目的:

• 开发和验证基于可解释的人工智能 (XAI) 的分类器,用于预测前列腺癌的发生.
• 为医生提供准确的诊断预测和可理解的解释,以支持临床决策.
• 通过机器学习分析识别有助于PCa诊断的关键基因.

主要方法:

• 一个由47个基因组成的小组根据差异表达,基因本体学和文献评论进行了选择.
• 使用 eXplainable AI 的机器学习模型,在来自 550 个癌症基因组图谱样本的基因表达数据上进行训练.
• 该模型在四个独立的外部队列 (463个样本) 中进行了验证,并使用了SHapley添加式扩展 (SHAP) 进行解释.

主要成果:

• 随机森林算法与多数类下方样本展示了卓越的性能,达到0.90的平均灵敏度,0.8的特异性和0.84.8的AUC.
• 该研究强调了DLX1,MYL9,FGFR,CAV2和MYLK基因在前列腺癌查中的诊断相关性.
• 开发的分类器显示了强大的统计学意义和在不同的祖先队伍中一致的表现.

结论:

• 拟议的机器学习模型在不同祖先的独立队列中表现出强大的性能和通用性.
• 提供的解释与现有文献相一致,支持该模型的临床整合潜力.
• 未来的应用可能涉及将这种模型与液体活检技术集成在一起,以进行增强的前列腺癌查.