Stellae-123基因表达特征改善了台湾急性髓性白血病患者的风险分层

科学领域:

• 血液学 血液学 血液学
• 在瘤学瘤学.
• 生物信息学是一种生物信息学.

背景情况:

• 急性髓性白血病 (AML) 是遗传复杂的,需要超出当前欧洲白血病网络 (ELN) 建议的高级风险分层.
• 基因表达分析对于AML风险分层至关重要,但现有的模型可能无法完全捕捉复杂性.
• Stellae-123人工智能模型在使用基因表达模式预测AML患者存活率方面表现出有希望.

研究的目的:

• 评估基于 Stellae-123 AI 的基因表达评分在台湾一组急性髓性白血病患者中的适用性和预测性.
• 评估模型重新训练对Stellae-123在特定群体中的精度的影响.
• 确定将Stellae-123与临床因素结合起来是否可以改善AML风险分层.

主要方法:

• 在台湾一家医院对304名新出现的AML患者的基因表达数据应用了预训练的Stellae-123模型.
• 使用台湾队列数据重新训练了Stellae-123模型,并通过交叉验证评估了性能.
• 进行了多变量分析,包括 Stellae-123,年龄和ELN分类来预测生存率.

主要成果:

• 预训练的Stellae-123模型实现了整体存活率 (OS) 和无复发存活率 (RFS) 的中等预测准确度 (c指数~0.63).
• 模型重新训练显著改善了OS和RFS的交叉验证预测准确性 (c指数~0.667).
• 将Stellae-123与年龄和ELN分类相结合,大大提高了OS和RFS的风险分层精度 (c指数~0.73).

结论:

• Stellae-123基因表达特征作为AML患者的宝贵预后生物标志物.
• 重新训练Stellae-123模型可以提高其在不同人群中的准确性和适用性.
• 将人工智能驱动的基因表达分析与临床因素相结合,为AML提供了优越的风险分层.