相关实验视频
Updated: Jun 25, 2026
06:51
A Preclinical Murine Model of Hepatic Metastases
Published on: September 27, 2014
28.7K
在胰腺神经内分泌瘤中发展转移潜力的预测模型
Jacques A Greenberg1, Yajas Shah2, Nikolay A Ivanov1
1Department of Surgery, Weill Cornell Medicine, New York, NY 10065, USA.
The Journal of clinical endocrinology and metabolism
|May 31, 2024
概括
研究人员使用机器学习开发了一个8基因小组,用于预测胰腺神经内分泌瘤 (PNET) 转移. 这种转录组签名准确地分类了瘤转移潜力,有助于临床管理决策.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 机器学习 机器学习
背景情况:
- 胰腺神经内分泌瘤 (PNETs) 显示出可变的临床行为,从局部疾病到侵略性转移.
- 目前还缺乏一个全面的转录基因特征来区分PNET表型.
研究的目的:
- 开发基于机器学习的PNET转移潜力的预测模型.
- 识别一种能够区分局部和转移性PNETs的转录组签名.
主要方法:
- 分析了95个主要PNET的RNA测序数据.
- 机器学习模型被训练来预测转移状态,并使用NanoString nCounter®在独立队列上进行验证.
主要成果:
- 一个8基因小组 (AURKA,CDCA8,CPB2,MYT1L,NDC80,PAPPA2,SFMBT1,ZPLD1) 被确定为足以对转移性PNET进行分类.
- 这些模型在预测转移状态方面实现了高灵敏度 (87.5-93.8%) 和特异性 (78.1-96.9%).
- 对独立队列的验证证明了该模型的预测准确性,中位数AUC为0.886.
结论:
- 一个8基因小组准确地预测了PNETs中的转移性表型.
- 该面板可以使用临床上可用的NanoString nCounter®系统进行检测.
- 有必要进行前性研究,以评估其在指导患者管理中的有用性.
