开发一种基于机器学习的预后模型,用于使用九个基因表达特征的激素受体阳性乳腺癌

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 激素受体阳性乳腺癌 (HR+BC) 占所有乳腺癌病例的80%.
• 准确的预后确定对于改善HR+BC患者的生存结果至关重要.
• 目前的预后工具仅限于临床因素,缺乏普遍性.

研究的目的:

• 开发一种新的人工智能 (AI) 框架,用于预测HR+BC患者的预后.
• 创建一个复发预测模型 (RPM),整合基因组和临床数据.
• 将HR+BC患者分为高风险和低风险类别,以改善死亡率预测.

主要方法:

• 从METABRIC,TCGA和GEO队列中分析了2,338个HR+人类表皮生长因子受体2阴性 (HER2-) BC病例.
• 通过使用逻辑回归来从超过18000个基因中选择9个与预后相关的基因来开发RPM.
• 根据RPM,将患者分为高风险和低风险组进行分层.

主要成果:

• 在发现和验证队伍中,RPM显著分层风险.
• 高风险瘤显示细胞周期,MYC和PI3K-AKT-mTOR信号通路的丰富.
• 高风险瘤与增加的免疫细胞透,细胞分解活性和对化疗和内分泌治疗的反应较差有关.

结论:

• 开发的AI模型有效地在多个队伍中对预后进行了分层.
• 该模型的准确性归因于它反映了关键的BC治疗标和瘤免疫微环境.
• 结果支持该模型在预测治疗效果和指导治疗决策方面的实用性.