探索患有急性淋巴细胞白血病和急性髓性白血病的儿科患者复发的模式,使用机器学习方法进行干细胞移植

科学领域:

• 血液学 血液学 血液学
• 在瘤学瘤学.
• 生物统计学 生物统计学
• 机器学习在医学中的应用

背景情况:

• 白血病复发是异质造血干细胞移植 (HSCT) 后死亡的主要原因.
• HSCT后的捐赠者奇默变化已知是复发的预测因素.
• 改进的复发预测模型可以通过及时干预提高无白血病生存率.

研究的目的:

• 探索机器学习,以改善HSCT后白血病复发的预测.
• 开发一个预测模型,将移植前和移植后的变量纳入其中,包括捐赠者的虚构.
• 增强个性化的治疗策略,改善患者的治疗结果.

主要方法:

• 利用了63名儿科急性淋巴细胞白血病 (ALL) 和46名急性髓性白血病 (AML) 患者的队列.
• 开发了使用随机森林分类器的预测模型,并提供了谱系特定的嵌合式数据.
• 使用本地可解释模型不可知解释 (LIME) 来验证随机森林发现.

主要成果:

• 随机森林模型在24个月内实现了对ALL复发预测的85%准确度,85%灵敏度,89%特异性.
• 对于AML,该模型的准确性为81%,灵敏度为75%,特异性为100%.
• LIME证实了随机森林分类器确定为复发预测重要的关键变量.

结论:

• 机器学习有效地识别了HSCT后白血病复发风险因素之间的相互作用.
• 强大的复发预测甚至可以通过适度的临床数据集来实现.
• 随机森林分类器突出显示了ALL和AML的独特预测因素,支持临床采用.