用NARX神经网络对血液毒性的个体建模:一种知识转移方法

科学领域:

• 计算生物学是一种计算生物学.
• 机器学习在医学中的应用
• 药理动力学是什么 药理动力学

背景情况:

• 细胞毒性癌症疗法可能会导致严重的血液毒性副作用,限制治疗疗效.
• 个体患者的变化在预测这些不良事件方面构成了重大挑战.
• 精准医学旨在通过预测患者特定反应来个性化癌症治疗.

研究的目的:

• 探索无假设的机器学习模型,特别是带有外源输入的非线性自回归网络 (NARX),用于预测个体患者血液毒性风险.
• 提出和评估知识转移方法,以克服个人患者建模中的数据稀疏性问题.
• 通过虚拟患者群体和真实患者数据来证明这种方法的可行性.

主要方法:

• 开发和应用具有外源输入 (NARX) 模型的反复非线性自动回归网络.
• 实施知识转移战略,以加强个人网络从稀疏数据中学习.
• 使用半机械型血液形成模型进行验证,以在各种细胞毒性治疗场景下生成虚拟患者群体.
• 模型优化技术以确保稳定性和通用性.

主要成果:

• 使用NARX网络提出的转移学习方法证明了对单个患者对细胞毒性治疗的反应的可靠预测.
• 优化的个体网络实现了良好的泛化性能.
• 分析确定了影响模型概括能力的关键因素.
• 这种方法成功地应用于两个非霍奇金淋巴瘤患者的时间序列数据.

结论:

• 具有外源输入 (NARX) 的反复非线性自回归网络与转移学习相结合,为预测个体患者对癌症治疗的反应提供了可行的策略.
• 这种方法可以有效地解决患者异质性和数据稀疏性问题,推动瘤学领域的精准医学.
• 这些发现支持这些机器学习模型用于个性化癌症治疗监测的实际应用.