对急性髓性白血病患者使用机器学习与堆叠的cuproptosis相关的预后模型的开发和验证
Xichao Wang1, Hao Sun1, Yongfei Dong1
1Department of Biostatistics, School of Public Health, Jiangsu Key Laboratory of Preventive and Translational Medicine for Geriatric Diseases, MOE Key Laboratory of Geriatric Diseases and Immunology, Suzhou Medical College of Soochow University, Suzhou, Jiangsu, 215123, P. R. China.
Scientific reports
|February 2, 2024
概括
这项研究开发了一种新的预后模型,用于急性髓性白血病 (AML) 患者使用cuproptosis和机器学习. 基于堆叠的模型准确地预测了AML的整体存活率 (OS),优于现有的方法.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 急性髓性白血病 (AML) 在预测患者结果方面带来了重大挑战.
- 细胞死亡的受调控形式 - - 型亡 (cuproptosis) 正成为癌症预后的一个潜在因素.
- 准确的预后模型对于定制AML治疗策略至关重要.
研究的目的:
- 开发和验证一种新的预后模型,用于预测急性髓性白血病 (AML) 患者的整体存活率 (OS).
- 调查 cuproptosis 相关特征在 AML 预后中的有用性.
- 为了利用机器学习,特别是堆叠,提高预测准确度.
主要方法:
- 利用机器学习算法,包括堆叠,来构建预后模型.
- 在GSE37642数据集上训练模型,并使用GSE12417和TCGA-LAML队列进行验证.
- 采用随机生存森林算法来完善最终的模型,将堆叠线性预测因子和临床因素结合在一起.
主要成果:
- 基于堆叠的预后模型在训练数据集中实现了高的曲线下面积 (AUC) 值 (0.840-0.892).
- 外部验证证明了强大的预测性能,AUC从0.741到0.783.3不等.
- 开发的模型表现优于包括所有预测因素而不堆叠的模型,这表明了整合策略的有效性.
结论:
- 这种新型预测模型有效地完善了AML患者的预后预测.
- 堆叠策略显示了整合多个预测模型的巨大潜力.
- 基于cuproptosis的模型有望改善AML患者的预测结果.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K