通过将液体活检多组数据与机器学习技术相结合,提高肺癌分类
Hyuk-Jung Kwon1,2, Ui-Hyun Park1, Chul Jun Goh1
1Eone-Diagnomics Genome Center, Inc., 143, Gaetbeol-ro, Yeonsu-gu, Incheon 21999, Republic of Korea.
Cancers
|September 28, 2023
概括
通过使用机器学习和多omics血液分析,提升了早期肺癌检测. 这种方法分析无细胞DNA (cfDNA) 和癌症标记物,以准确诊断.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 早期发现肺癌显著影响患者的生存率和治疗疗效.
- 使用无细胞DNA (cfDNA) 分析的液体活检,包括下一代测序 (NGS),可以检测癌症特异性变化.
- 机器学习 (ML) 为识别癌症数据中的复杂模式提供了一个有希望的途径.
研究的目的:
- 开发和评估基于ML的诊断模型,用于使用多omics血液数据检测肺癌.
- 评估使用癌症标记物,cfDNA度和副本数变异 (CNVs) 的ML模型的诊断性能.
- 为了确定组合多omics数据是否会提高诊断准确性,而不是与单个标记器相比.
主要方法:
- 从92名肺癌患者和80名健康对照人群中采集了血液样本.
- 肺癌标志物 (Cyfra21,CEA) 被量化,以及cfDNA度和CNV查.
- 包括自适应提升 (AdaBoost),多层感知器 (MLP) 和物流回归 (LR) 在内的ML算法用于分析.
- 曲线下的面积 (AUC) 值是为了评估模型性能而计算的.
主要成果:
- 在肺癌患者和健康个体之间观察到Cyfra21和CEA水平的显著差异.
- 结合cfDNA度和CNV查的ML模型证明了诊断效用.
- 在ML分析中结合多omics数据产生了比分析单个成分更高的AUC值,表明准确度提高.
结论:
- 来自血液样本的多omics数据的ML分析显示,肺癌患者与健康个体有很强的区别能力.
- 开发的模型有可能成为肺癌的高精度,非侵入性诊断工具.
- 整合多种数据类型 (multi-omics) 对于提高基于ML的癌症诊断的精度至关重要.
