基于机器学习的方法,有效预测乳头甲状腺癌的诊断,预后和淋巴结转移,使用粘附特征选择
Shuo Sun1, Xiaoni Cai2, Jinhai Shao2
1Department of Hepatobiliary and Pancreatic Surgery, Affiliated Hospital of Beihua University, Beihua University, Jilin 132013, China.
Mathematical biosciences and engineering : MBE
|December 21, 2023
概括
这项研究确定了影响乳头甲状腺癌 (PTC) 的关键粘附相关基因,并开发了一种风险模型 (LPSRSM) 来预测患者的预后,有助于更好的诊断和治疗策略.
科学领域:
- 在瘤学瘤学.
- 分子生物学分子生物学
- 遗传学 是一个遗传学.
背景情况:
- 粘附分子在乳头甲状腺癌 (PTC) 病原和预后中的作用尚未完全理解.
- 识别特定的粘附相关基因对于理解PTC进展至关重要.
研究的目的:
- 在PTC中识别稳定的粘附相关差异表达基因 (ARDGs).
- 开发和验证使用已识别的ARDG用于PTC的预后风险评分模型.
- 探索粘附对新陈代谢和炎症的影响,并选潜在的治疗药物.
主要方法:
- 强大的等级聚合和单变Cox回归用于ARDG识别.
- 拉索·考克斯和多变量+阶段式考克斯回归用于预后模型构建.
- 卡普兰-梅尔分析,CMAP数据库药物查,以及用于诊断模型的拉索回归.
主要成果:
- 确定了64个稳定的ARDG和16个预后的ARDG.
- 开发了一种卓越的基于拉索-考克斯回归的预后模型 (LPSRSM).
- 年龄和LPSRSM是独立的预后因素;低风险患者的生存率更好.
- 确定了潜在的候选药物,并开发了淋巴结转移和瘤诊断的基因模型.
结论:
- LPSRSM是预测PTC预后的强大工具.
- 粘附在PTC的能量代谢和炎症反应中起作用.
- 开发的基因模型为改善PTC诊断和预后提供了潜力.
