相关实验视频
Updated: Jul 19, 2025
08:50
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
7.0K
主要瘤类型的预测基于美国全国性基因组分析数据,对13,522名患者进行了预测
Yunru Huang1, Shannon M Pfeiffer1, Qing Zhang1
1Genentech, Inc., 1 DNA Way, South San Francisco, CA 94080, United States.
Computational and structural biotechnology journal
|August 18, 2023
概括
一个新的机器学习模型,XC-GeM,使用基因组数据和电子健康记录准确预测初级瘤类型. 这种工具可以提高癌症诊断的速度和效率,可能导致更好的患者结果.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 准确的原发性瘤诊断对于有效的癌症治疗至关重要.
- 错误诊断和诊断延迟可能导致严重的健康和经济负担.
- 基因组数据和电子健康记录 (EHR) 为诊断工具提供了丰富的信息.
研究的目的:
- 开发和验证一种机器学习模型 (XC-GeM),用于使用临床基因组数据预测初级瘤类型.
- 为了评估模型在一个大规模的,非识别的美国全国数据库中的性能.
- 识别主要的原发性瘤类型的基因组和临床预测因素.
主要方法:
- 开发了一个基于XGBoost的模型 (XC-GeM),使用了临床基因组数据库 (CGDB) 中12060名患者的数据.
- 使用了综合基因组分析 (CGP) 测试数据和图表确认的EHR.
- 使用夏普利添加式扩展 (SHAP) 方法解释模型预测,并在独立队列上验证性能.
主要成果:
- 在持久验证中,XC-GeM实现了高精度,AUC为0.965和MCC为0.742.
- 独立验证显示AUC为0.954,MCC为0.733,对NSCLC,结肠直肠癌和乳腺癌等常见癌症的预测是正确的.
- 该模型即使在缺少初级诊断的病例中也表现良好 (AUC 0.880,MCC 0.540).
结论:
- XC-GeM是第一个使用美国全国常规CGP和EHR数据预测原发性瘤类型的算法.
- 该模型表现出有希望的性能,有可能提高癌症诊断的准确性和效率.
- 由XC-GeM促进的及时和准确的诊断可能使得早期治疗和改善患者的结果.
