通过尿路生物标志物和随机森林监督分类来加强乳腺癌查:一项全面的调查调查
Eugenio Alladio1, Fulvia Trapani1, Lorenzo Castellino1
1Department of Chemistry, University of Turin, Italy; Centro Regionale Antidoping, Orbassano, TO, Italy.
Journal of pharmaceutical and biomedical analysis
|March 30, 2024
概括
尿路性激素显示出作为早期乳腺癌生物标志物的前景. 一个随机森林模型使用五种关键激素实现了98%的准确性,用于非侵入性查.
科学领域:
- 内分泌学 在内分泌学.
- 在瘤学瘤学.
- 生物标志物发现发现
- 机器学习 机器学习
背景情况:
- 早期发现乳腺癌对于改善患者的治疗结果至关重要.
- 广泛查需要非侵入性生物标志物.
- 尿道性激素是乳腺癌检测的潜在候选者.
研究的目的:
- 研究尿路性激素作为乳腺癌早期检测的生物标志物.
- 评估机器学习算法在分析激素数据中的有效性.
- 开发一种强大的,非侵入性的乳腺癌查工具.
主要方法:
- 使用UHPLC-MS/HRMS对250名绝经后妇女 (65名健康,185名患有乳腺癌) 尿样中的20种自由和结合性性激素进行量化.
- 应用和比较七个监督机器学习算法用于数据分析.
- 利用合成少数群体过量采样技术 (SMOTE) 来解决阶级不平衡问题.
主要成果:
- 与其他分类方法相比,随机森林 (RF) 算法表现出卓越的性能.
- 使用五个特定生物标志物的优化射频模型实现了大约98%的诊断准确性.
- 鉴定出的关键生物标志物包括硫酸,α-雌激醇,4-甲基雌激醇,DHEA-硫酸和表硫酸.
结论:
- 射频算法通过分析尿路性激素,显示了早期乳腺癌检测的巨大潜力.
- 一个基于五种类固醇生物标记物的精细模型为非侵入性,大规模查提供了一个有希望的途径.
- 可调节的超参数和生物标志物排名提高了该模型在临床使用中的适用性.
