在微阵列基因表达数据上诊断急性髓性白血病,使用分类梯度增强树的基因表达数据
Athanasios Angelakis1, Ioanna Soulioti2, Michael Filippakis3
1Department of Epidemiology and Data Science, Amsterdam University Medical Centers, Amsterdam Public Health Research Institute, University of Amsterdam Data Science Center, Netherlands.
Heliyon
|October 20, 2023
概括
一个新的机器学习模型使用16个探针组和年龄准确诊断急性髓性白血病 (AML). 这种诊断工具表现出高性能,有可能改善早期AML检测.
科学领域:
- 计算生物学是一种计算生物学.
- 机器学习在诊断中的应用.
- 血液瘤学 血液瘤学
背景情况:
- 急性髓性白血病 (AML) 的诊断依赖于复杂的方法.
- 需要准确且易于使用的AML诊断工具.
- 新的生物标志物和计算方法可以增强AML检测.
研究的目的:
- 开发和验证用于急性髓性白血病 (AML) 诊断的机器学习模型.
- 使用一种代的维度减小方法,使用梯度增强树和沙普利值.
- 识别与AML诊断相关的新生物学特征.
主要方法:
- 开发了四个机器学习模型,包括最后一个Catboost模型.
- 采用了一种代的维度减小技术.
- 利用了2177个个体的多中心数据集,包括16个探测器集和年龄作为特征.
主要成果:
- 最终的Catboost模型实现了高性能指标:特异性为0.9909,灵敏度为0.9985,F1得分为0.9976 (交叉验证).
- 在一个推断数据集上,该模型展示了特异性0.9909,灵敏度0.9969和F1得分0.9969.
- 实现了0.9962的ROC-AUC (交叉验证) 和0.9939 (推理数据集).
结论:
- 开发的机器学习模型显示了AML诊断的最新性能.
- 作为特征使用的16个探针集在文献中以前没有与AML有关.
- 这种模型具有作为急性髓性白血病的非侵入性诊断测试的潜力.
