在结直肠癌生物标志物识别中用于微生物组数据分析的可解释的人工智能
Pierfrancesco Novielli1,2, Donato Romano1,2, Michele Magarelli1
1Dipartimento di Scienze del Suolo, della Pianta e degli Alimenti, Università degli Studi di Bari Aldo Moro, Bari, Italy.
Frontiers in microbiology
|March 1, 2024
概括
机器学习模型可以通过分析肠道微生物组数据来识别结肠直肠癌 (CRC). 可解释的AI和SHAP分析确定了与CRC相关的特定细菌,有助于早期诊断和有针对性的干预.
科学领域:
- 微生物组研究的研究.
- 医学中的人工智能
- 癌症诊断 癌症诊断 癌症诊断
背景情况:
- 大肠直肠癌 (CRC) 与肠道微生物组失调有关.
- 由于CRC的高死亡率,新的早期诊断方法至关重要.
- 机器学习 (ML) 可以分析宿主微生物群相互作用.
研究的目的:
- 利用肠道微生物群和人口统计数据开发一种可解释的AI框架来对CRC进行分类.
- 为了确定与CRC相关的特定微生物分类学标记.
- 提高ML模型在疾病预测中的可解释性.
主要方法:
- 实施了一个可解释的人工智能 (XAI) 框架.
- 利用肠道微生物群数据和人口统计信息进行分类.
- 采用了Shapley方法的添加式解释 (SHAP) 算法,用于变量重要性.
主要成果:
- 随机森林 (RF) 算法在对CRC受试者进行分类方面表现最好 (精度为0.729±0.038).
- SHAP分析确定了对CRC分类的关键细菌贡献者.
- 确定的特定细菌的关联,如 * Fusobacterium * * Peptostreptococcus * * 和 * Parvimonas * 与CRC.
结论:
- 通过可解释的人工智能分析的肠道微生物群数据显示,对CRC分类有希望.
- 射频算法适用于基于微生物特征的CRC检测.
- SHAP分析为细菌在CRC中的作用提供了可解释的见解,为有针对性的干预铺平了道路.
