基于B型肝炎相关肝细胞癌的随机森林和人工智能网络的联合诊断模型的构建和验证

科学领域:

• 肝病学 肝病学是一种肝病学.
• 在瘤学瘤学.
• 生物信息学是一种生物信息学.

背景情况:

• 乙型肝炎病毒 (HBV) 是亚洲和非洲肝细胞癌 (HCC) 的首要原因.
• 早期诊断与HBV相关的HCC对于有效治疗和患者的治疗结果至关重要.
• 机器学习 (ML) 为早期查和诊断HBV-HCC等复杂疾病提供了创新的方法.

研究的目的:

• 为了确定与HBV相关的HCC的显著生物标志物.
• 开发一种新的基因诊断模型,以有效和早期检测HBV相关的HCC.
• 用独立的数据集评估开发模型的诊断性能.

主要方法:

• 利用基因表达综合 (GEO) 数据集 (GSE19665,GSE55092,GSE121248) 来识别差异表达基因 (DEG).
• 采用随机森林 (RF) 和人工神经网络 (ANN) 算法来选择生物标志物和建模.
• 使用额外的GEO数据集 (GSE17548,GSE104310,GSE44074,GSE136247) 验证了ANN模型,并使用CIBERSORT评估了免疫细胞透.

主要成果:

• 确定了116种在代谢过程和细胞外矩阵相互作用中富含的DEG.
• 开发了一个使用包括TOP2A,CLEC1B,BUB1B,FCN2,CXCL14,CAP2,FCN3,KMO和CDHR2.2在内的基因的诊断模型.
• 经过验证的模型表现出高灵敏度 (高达90%) 和特异性 (高达100%),ROC曲线下面面积 (AUC) 值优异 (高达1).
• 在HBV-HCC和非癌性肝脏组织之间观察到免疫细胞透的显著差异.

结论:

• 成功建立了一种新的,高效的HBV相关HCC诊断模型.
• 该模型有效地将HBV相关的HCC与HBV感染个体的非癌性肝病区分开来.
• 这种遗传模型有望改善与HBV相关的HCC的早期检测和临床管理.