用深度学习和可解释的人工智能对慢性淋巴细胞白血病进行基因选择,预测治疗的需要和时间

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.
• 人工智能的人工智能

背景情况:

• 使用人工智能的基因表达特征 (GEP) 分析为癌症提供了洞察力.
• 准确的预后标记对于慢性淋巴细胞白血病 (CLL) 患者管理至关重要.

研究的目的:

• 引入DeepSHAP基因选择自编码过器 (DSAF-GS),这是一种新的深度学习和可解释的AI方法,用于在GEP数据中选择特征.
• 在GEP数据库中使用DSAF-GS识别CLL预后的信息基因.
• 评估DSAF-GS和选定的基因对患者结局的预测性能.

主要方法:

• 开发了DSAF-GS,这是一种深度学习方法,利用自动编码器和可解释的AI来选择GEP数据中的特征.
• 将DSAF-GS应用于217例CLL病例的GEP数据库,以确定有影响力的基因.
• 使用单变量和多变量分析验证了所选基因的预后意义,评估了对首次治疗时间 (TTFT) 的影响.

主要成果:

• DSAF-GS模型实现了86.4%的准确度,85.0%的灵敏度和87.5%的CLL预后特异性.
• CEACAM19,PIGP,MKL1和GNE被确定为具有高度影响力的基因.
• 在多变量分析中,IGF1R,COL28A1和QTRT1与TTFT显著相关,增强了预后模型的预测能力 (哈雷尔的c指数增加到78.6%).

结论:

• DSAF-GS是GEP数据中特征选择的有效工具,可以识别CLL预后的重要基因.
• 这些已识别的基因,特别是IGF1R,COL28A1和QTRT1,有可能成为预测CLL进展和治疗需求的新生物标志物.
• 这项研究强调了可解释的AI在发现癌症预后的生物相关标志物的实用性.