贝叶斯和深度学习模型应用于早期检测卵巢癌,使用多个纵向生物标志物
Luis Abrego1,2, Alexey Zaikin1,2, Ines P Marino3
1Department of Women's Cancer, EGA Institute for Women's Health, University College London, London, UK.
Cancer medicine
|April 10, 2024
概括
将癌症抗原125 (CA125) 与HE4结合起来可以改善卵巢癌的检测. 使用这些生物标志物的多变量模型显示,与单独使用CA125相比,早期诊断的灵敏度更高.
科学领域:
- 妇科瘤学 妇科瘤学
- 生物标志物发现发现
- 机器学习在医学中的应用
背景情况:
- 卵巢癌在妇科恶性瘤中仍然具有高度致命性.
- 癌症抗原125 (CA125) 是一个关键的生物标志物,但不足以用于一般人群的查.
- 纵向多标志物模型显示了改善早期卵巢癌检测的前景.
研究的目的:
- 评估CA125和HE4生物标志物组合的性能.
- 评估用于检测卵巢癌的纵向多变量模型的疗效.
- 将多标记模型的诊断准确性与单独的CA125进行比较.
主要方法:
- 利用来自180个对照组和44个UKCTOCS研究中的病例的血清样本.
- 应用贝叶斯变化点检测 (BCP) 和循环神经网络 (RNN) 进行建模.
- 分析了纵向数据,以评估随时间推移的生物标志物性能.
主要成果:
- 与单独使用CA125 (AUC高达0.953,灵敏度92.1%) 相比,CA125-HE4模型显示出更高的性能 (AUC高达0.987,灵敏度96.7%).
- 在诊断前一年,CA125-HE4模型是表现最好的.
- 在诊断前两年,没有一个多标志物模型的表现超过了CA125.
结论:
- 结合HE4等生物标志物的多变量模型显著提高了卵巢癌检测率.
- 该研究强调了结合生物标志物和先进建模的潜力,以改善早期诊断.
- 这些多标志物方法的进一步验证对于临床应用是有必要的.
