通过深度学习预测单个AML患者的死亡风险的高时间分辨率预测
Yang Lei1,2, Hui Wei1,2, Xin Gao1,2
1State Key Laboratory of Experimental Hematology, National Clinical Research Center for Blood Diseases, Haihe Laboratory of Cell Ecosystem, Institute of Hematology & Blood Diseases Hospital, Chinese Academy of Medical Sciences & Peking Union Medical College, Tianjin 300020, China.
这项研究引入了一种深度学习模型,用于预测急性髓性白血病 (AML) 患者的生存率,识别不同的风险组和新的生物标志物. 这些发现使得AML的个性化预后和治疗策略成为可能.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 急性髓性白血病 (AML) 是一种异质癌症,需要个性化治疗.
- 目前的AML分类依赖于分子特征,但需要动态风险评估.
研究的目的:
- 开发一种深度学习模型,用于预测AML患者的连续时间生存概率和死亡风险曲线.
- 根据时间风险动态识别新的预后生物标志物和不同的患者亚组.
- 为个性化AML诊断预测和治疗模拟创建一个网络工具.
主要方法:
- 开发了一个深度学习模型来预测5年连续时间生存概率.
- 将生存概率转换为死亡风险曲线,以分析疾病进展动态.
- 利用死亡风险曲线的聚类来确定预后生物标志物和患者群体.
- 创建了新的AML预报预测 (DAPP) 网络工具.
主要成果:
- 确定了七个患者群体,具有不同的死亡风险高峰时间.
- 发现了两个强大的AML预后生物标志物.
- 在2017年ELN中确定了一个子组 预后不佳的有利类别.
- 证明了连续时间风险建模的实用性,用于剖析特定时间的分子特征.
结论:
- 基于深度学习的持续时间风险建模为AML预后提供了一种新的方法.
- 该研究确定了新的生物标志物和患者子组,改善了风险分层.
- DAPP工具为个性化的AML预后和治疗探索提供了一个平台.
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
09:01Flow Cytometry to Estimate Leukemia Stem Cells in Primary Acute Myeloid Leukemia and in Patient-derived-xenografts, at Diagnosis and Follow Up
Published on: March 26, 2018