血清蛋白捕捞用于机器学习增强的肺小结节的诊断分类
Mengjie Wang1,2, Xin Dai2,3, Xu Yang2
1Molecular Science and Biomedicine Laboratory (MBL), State Key Laboratory of Chemo/Bio-Sensing and Chemometrics, College of Chemistry and Chemical Engineering, Aptamer Engineering Center of Hunan Province, Hunan University, Changsha 410082, Hunan, China.
ACS nano
|January 25, 2024
概括
一种新的ProteoFish方法和机器学习模型准确地诊断早期非小细胞肺癌 (NSCLC),并区分良性和恶性肺结节,改进了当前的临床测试.
科学领域:
- 生物化学 生物化学
- 蛋白质组学是指蛋白质组学.
- 机器学习在医学中的应用
背景情况:
- 精确诊断小肺结节是具有挑战性的,导致误诊和过度治疗.
- 区分良性和恶性结节对于有效的患者管理至关重要.
研究的目的:
- 开发一种基于血清蛋白的新型诊断工具,用于早期非小细胞肺癌 (NSCLC).
- 使用机器学习对良性与恶性小肺结节进行分类.
主要方法:
- 开发了ProteoFish (血清蛋白捕捞) 用于数据独立获取分析.
- 建立了一个297个受试者的NSCLC蛋白质银行.
- 使用拉索算法和随机森林分类器选择了一个15个关键蛋白质面板.
主要成果:
- 在对良性和恶性小肺结节进行分类时,获得了91.38%的准确性.
- 开发的分类器表现优于现有的临床试验.
- 识别了15个关键蛋白质面板用于诊断分类.
结论:
- 与机器学习相结合的ProteoFish方法为早期NSCLC检测提供了一个有希望的方法.
- 这15个关键蛋白质面板可以促进血清生物标志物的发现,用于肺结节的分类.
- 解决了精确诊断小肺结节的临床挑战.
