相关实验视频
Updated: Jun 20, 2025
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
基于常规血液学和生物化学参数的机器学习模型来预测泛癌患者的PD-1治疗疗效
Wenjian Yang1,2, Cui Chen3, Qiangqiang Ouyang4
1Department of Clinical Laboratory, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Collaborative Innovation Center for Cancer Medicine, Guangdong Key Laboratory of Nasopharyngeal Carcinoma Diagnosis and Therapy, Sun Yat-Sen University Cancer Center, Guangzhou, 510060, People's Republic of China.
机器学习有效地预测了使用泛癌患者常规血液检测的编程死亡-1 (PD-1) 治疗疗效. 这种方法有助于早期治疗反应评估,以改善患者管理.
科学领域:
- 在瘤学瘤学.
- 免疫治疗是一种免疫疗法.
- 机器学习 机器学习
背景情况:
- 针对编程死亡-1 (PD-1) 途径的免疫检查点阻塞在各种癌症中具有显著的有效性.
- 早期预测PD-1治疗反应对于治疗优化和尽量减少不良影响至关重要.
研究的目的:
- 开发一种高效的机器学习 (ML) 模型,用于预测泛癌患者的PD-1组合疗法的疗效.
- 为了利用常规的血液学和生物化学参数进行早期治疗结果预测.
主要方法:
- 开发和训练了6个ML模型,使用431名泛癌患者 (鼻,食道,肺) 的治疗前和第3周的血液/生化数据.
- 评估了模型的性能,用于预测8-12周的疾病控制 (DC) 与进展性疾病 (PD).
- 将ML模型的性能与57个血液生物标志物的统计分析进行比较.
主要成果:
- 仅仅对57个血液生物标志物的统计分析无法准确预测治疗结果.
- 在AdaBoost分类器和渐变增强决策树 (GBDT) 模型中,预测效率高 (AUC > 0.7).
- AdaBoost分类器以0.85的灵敏度和0.79的特异性实现了最高的性能.
结论:
- 机器学习模型,特别是AdaBoost,在预测PD-1组合疗法的有效性方面显示出显著的潜力.
- 常规血液学和生物化学参数的变化可以通过ML利用来预测治疗反应.
- 这种基于ML的方法可以帮助临床医生优化癌症治疗策略.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
06:07Monitoring PD-1-Blocking Antibodies Bound to T Cells Derived from a Drop of Peripheral Blood
Published on: February 5, 2020