使用统计机器学习识别有效的生物标志物来准确预测胰腺癌,使用统计机器学习
Rasha Abu-Khudir1,2, Noor Hafsa3, Badr E Badr4,5
1Chemistry Department, College of Science, King Faisal University, P.O. Box 380, Hofuf 31982, Al-Ahsa, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|October 14, 2023
概括
一个新的生物标志物小组有效预测胰腺癌的进展和并发症. 这种综合方法显著优于单独的CA19-9,改善了患者的预后和诊断.
科学领域:
- 在瘤学瘤学.
- 生物化学 生物化学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 胰腺癌 (PC) 的存活率很低,是癌症死亡的主要原因.
- 缺乏PC进展和术后并发症的有效预后生物标志物.
- 目前文献对PC预后的综合生物标志物面板的研究有限.
研究的目的:
- 研究血清生物标志物 (CA19-9,CXCL-8,PCT) 和临床数据在预测PC进展中的作用.
- 确定一个最佳的生物标记面板,用于将PC患者分类为败血症,复发和其他术后并发症.
- 使用已识别的生物标志物面板评估机器学习模型的诊断准确性.
主要方法:
- 利用基于随机森林的特征消除方法来识别关键的预后标记.
- 收集的血清生物标志物包括碳水化合物抗原19-9 (CA19-9),化学激素 (C-X-C动机) 配体8 (CXCL-8),以及甲素 (PCT).
- 采用机器学习分类模型来评估生物标志物小组在独立测试数据上的有效性.
主要成果:
- 与单独使用CA19-9相比,联合生物标志物小组在分类PC进展方面表现优异.
- 开发的面板实现了最大的收发器运行特征曲线下的面积 (AUC-ROC) 100%.
- 仅使用CA19-9的结果为PC进展分类的最大AUC-ROC为75%.
结论:
- 一个新的,综合生物标志物面板有效地诊断胰腺癌的进展和术后并发症.
- 该面板显著提高了PC幸存者的诊断准确性,特别是在埃及患者中.
- 这些发现突显了综合生物标志物策略在改善PC管理方面的潜力.
