GNN-surv:使用图形神经网络进行离散时间生存预测

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:

• 准确的生存预测对于患者的预后和个性化癌症治疗至关重要.
• 通过整合患者相似性网络来捕获复杂的数据模式,可以增强传统模型.
• 图形神经网络 (GNN) 提供了一种强大的方法来利用数据中的网络结构.

研究的目的:

• 开发和评估基于图形神经网络的生存预测模型 (GNN-surv),以提高准确性.
• 利用基因组和临床数据构建的患者相似性网络,以改善生存分析.
• 评估GNN-surv模型与泌尿癌数据集中的传统模型的性能.

主要方法:

• 使用癌症患者的基因组和临床数据构建患者相似性网络.
• 培训和评估各种GNN模型与物流危险和概率质量函数 (PMF) 存活模型集成.
• 将GNN-surv模型性能与多层感知器 (MLP) 模型进行比较,使用时间依赖的一致性指数和集成的Brier评分.

主要成果:

• 在BLCA和KIRC数据集上,GNN-surv模型在生存预测方面显著优于传统的MLP模型.
• 性能改进包括时间依赖一致性指数的增加高达14.6%和7.9%.
• 综合布莱尔得分的降低也被观察到,BLCA和KIRC分别达到26.7%和24.1%.
• 模型在不同的图形构造超参数中展示了稳定性,并在不同的GNN架构中展示了有效性.

结论:

• 通过有效利用患者相似性网络,GNN-surv模型为离散时间生存预测提供了卓越的方法.
• 增强GNN-surv模型的准确性和稳定性为瘤学和个性化医学的临床医生提供了宝贵的工具.
• 这些模型的适应性表明,它们在不同类型的癌症中具有广泛的适用性,并有可能与其他生存模型或数据模式集成.