相关实验视频
Updated: Jul 20, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.0K
基于网络进化模型的预测,从子宫内膜癌的放射性临床特征中预测瘤突变负担
Qing Tan1,2, Qian Wang3, Suoqin Jin1,2
1School of Mathematics and Statistics, Wuhan University, Wuhan, 430072, China.
BMC cancer
|July 31, 2023
概括
我们开发了NEM-TIE来预测子宫内膜癌患者的瘤突变负担 (TMB) 状态. 这种方法准确地识别TMB状态,有助于诊断和免疫治疗选择这种流行恶性瘤.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 医疗成像医学成像
背景情况:
- 子宫内膜癌 (EC) 是全球普遍存在的女性恶性瘤.
- 在DNA聚合酶epsilon (POLE) 亚型中的瘤突变负担 (TMB) 是一个有前途的免疫治疗标.
研究的目的:
- 开发和验证NEM-TIE方法,用于预测子宫内膜瘤患者的TMB状态.
- 探索放射性临床特征在TMB状态确定中的实用性.
主要方法:
- NEM-TIE集成了网络进化模型,传输信息,集群透 (CP) 和支持向量机器 (SVM).
- 放射性临床特征使用基于传输信息的相邻矩阵进行分析.
- CP确定了关键模块,SVM提取了分类的基本特征.
主要成果:
- 在瘤体积中的依赖计数能量 - - 兴趣显著区分了TMB状态.
- 通过使用13个放射性临床特征,NEM-TIE获得了0.98的AUROC (95% CI:0.95-1.00).
- 性能超过了现有的方法,如mRMR和Laplacian.
结论:
- 拟议的NEM-TIE方法有效地识别了子宫内膜癌中的TMB状态.
- 将放射性临床数据与NEM-TIE集成为补充诊断提供了一种新的方法.
