在存在良性前列腺增生症的情况下,前列腺癌的多组诊断
Matt Spick1, Ammara Muazzam2,3, Hardev Pandha4
1School of Health Sciences, Faculty of Health and Medical Sciences, University of Surrey, Guildford, Surrey, GU2 7YH, United Kingdom.
Heliyon
|December 11, 2023
概括
改善前列腺癌 (PCa) 诊断需要更好的测试. 机器学习模型显示出有希望的结果,但需要仔细训练各种患者数据,包括良性前列腺增生症 (BPH),以避免错误分类和提高准确性.
科学领域:
- 生物化学 生物化学
- 在瘤学瘤学.
- 蛋白质组学是指蛋白质组学.
- 利皮多米克 (Lipidomics) 是一种消化剂.
背景情况:
- 对于前列腺癌 (PCa) 的增强诊断和风险预测工具,存在着未得到满足的需求.
- 目前的方法有可能过度处理惰的PCa病例.
- 生物标志物的特异性对于准确的PCa诊断至关重要.
研究的目的:
- 分析血清蛋白质组和脂质组以提高PCa生物标志物的特异性.
- 开发机器学习模型来区分PCa与良性前列腺增生症 (BPH) 和健康对照.
- 确定用于区分PCa和BPH的新生物标志物.
主要方法:
- 从262名参与者 (PCa,BPH,健康) 的血清样本使用液态染色体质谱分析.
- 机器学习模型用于分类任务.
- 评估了蛋白质和脂质组数据,以发现生物标志物.
主要成果:
- 一个两类模型将PCa与对照区分开来,具有82%的灵敏度和95%的特异性.
- 包括BPH病例显著降低了PCa的特异性,达到76%,其中50%的BPH病例被错误分类.
- 区分PCa和BPH的潜在生物标志物包括MAP激酶通路蛋白和含有油酸的脂质.
结论:
- 机器学习对PCa诊断有潜力,但需要适当的培训套件,包括像BPH这样的并发症.
- 准确的特异性计算取决于全面的数据集,这些数据集考虑了混条件.
- 对已识别的生物标志物的进一步研究可以提高前列腺癌的诊断特异性.
