机器学习识别了NSCLC瘤微环境的预后亚型
Duo Yu1, Michael J Kane2, Eugene J Koay3
1Division of Biostatistics, Institute for Health & Equity, Medical College of Wisconsin, Milwaukee, WI, USA.
Scientific reports
|July 1, 2024
概括
机器学习在非小细胞肺癌 (NSCLC) 患者中确定了预后亚型. 高的PD-L1表达和低的CD3计数预测了手术切除后死亡的风险更高.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 瘤微环境 (TME) 对癌症的发展和治疗反应至关重要.
- 在TME中患者间的异质性使药物开发和个性化医疗复杂化.
研究的目的:
- 应用机器学习 (ML) 进行生存分析,以确定非小细胞肺癌 (NSCLC) 的预后亚型.
- 根据关键生物标志物,比较不同ML模型在预测患者存活率方面的有效性.
主要方法:
- 对423名经过手术切除的NSCLC患者的回顾性分析.
- 应用和比较六种生存模型,包括考克斯回归和五种ML方法.
- 利用PD-L1表达,CD3表达和基线特征进行生存预测.
- 采用合成数据增强来划分预后生物标记子区域.
主要成果:
- 随机生存森林 (RSF) 模型显示出最高的预测准确度,C指数为0.84.
- 根据生物标志物概况,确定了具有明显生存结果的特定患者子组.
- 患有高PD-L1表达和低CD3计数的患者在手术后五年内死亡风险增加.
结论:
- 基于ML的生存分析有效地识别了NSCLC的预后亚型.
- 生物标志物概况,特别是PD-L1和CD3表达,对于预测外科切除后的生存率至关重要.
- 这些发现可以为NSCLC患者提供个性化治疗策略.


