非小细胞肺癌的放射转录组学,用于评估高水平的临床结果,使用机器学习衍生的多模式签名
Eleftherios Trivizakis1,2, Nikoletta-Maria Koutroumpa3,4, John Souglakos5,6
1Computational Biomedicine Laboratory (CBML), Foundation for Research and Technology Hellas (FORTH), 70013, Heraklion, Greece. trivizakis@ics.forth.gr.
Biomedical engineering online
|December 15, 2023
概括
整合多omics数据,包括放射学,转录学和临床特征,显著改善了对非小细胞肺癌患者生存率和治疗反应的预测. 这种方法提高了模型的稳定性,并减少了与单个数据源方法相比的偏差.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 精准医学是一门精准的医学.
背景情况:
- 多学科研究为增强精确医学提供了瘤内变异性的整体观点.
- 整合多样化的数据来源对于改善癌症治疗中的治疗决策至关重要.
研究的目的:
- 确定一种强大的方法来整合成像,转录和临床数据.
- 预测非小细胞肺癌 (NSCLC) 患者的生存率和治疗反应.
主要方法:
- 从NSCLC Radiogenomics数据集中提取了放射学,转录学和临床特征.
- 利用机器学习分类器进行生存和治疗反应分析.
- 采用的基于分数和连接的多项omics具有具有k-fold交叉验证的整合技术.
主要成果:
- 确定了用于治疗反应预测的显著放射学,深度特征和转录学,将AUC提高到0.74 ± 0.06.
- 基于分数的多omics集成增强了治疗反应预测,平衡灵敏度和特异性.
- 显著改善了生存分析C指数到0.79±0.03使用基于分数的多omics.
结论:
- 在NSCLC的预测性能方面,多omics集成优于单源模型.
- 这种方法提高了模型的稳定性,并减少了治疗反应和生存分析中的偏差.
- 多学科数据集成是推动精确瘤学的有前途的战略.
