针对胰岛素抵抗早期诊断的决策支持中,Multiomics和Explainable人工智能:一项基于儿科人口的纵向研究
Álvaro Torres-Martos1, Augusto Anguita-Ruiz2, Mireia Bustos-Aibar3
1Department of Biochemistry and Molecular Biology II, School of Pharmacy, "José Mataix Verdú" Institute of Nutrition and Food Technology (INYTA) and Center of Biomedical Research, University of Granada, Granada, 18071, Spain; Instituto de investigación Biosanitaria ibs.GRANADA, Granada, 18012, Spain; CIBER de Fisiopatología de la Obesidad y Nutrición (CIBEROBN), Instituto de Salud Carlos III, Madrid, 28029, Spain.
Artificial intelligence in medicine
|August 24, 2024
概括
在儿童肥胖症中早期预测胰岛素耐药性至关重要. 一个可解释的AI系统使用多omics和临床数据准确地识别了有风险的儿童,突出了干预的关键生物标志物.
科学领域:
- 儿科内分泌学 儿科内分泌学
- 计算生物学 计算生物学
- 人工智能在医学中的应用
背景情况:
- 儿童肥胖会增加长期心脏代谢风险,胰岛素抵抗是关键环节.
- 在青春期或之后发展的胰岛素耐药性更难逆转,强调了早期检测的必要性.
- 预测系统需要纵向数据和多种因素的整合来进行可靠的推断.
研究的目的:
- 开发一种可解释的AI决策支持系统,用于早期诊断肥胖的青春期前儿童的胰岛素抵抗.
- 为了利用多omics (基因组学,表观基因组学) 和临床数据进行准确的预测.
- 为推动诊断决策的因素提供可解释的见解.
主要方法:
- 使用了90名儿童的纵向队列,整合了从青春期前阶段的多omics和临床数据.
- 采用了强大的机器学习管道与各种数据预处理技术和算法.
- 实施了SHapley添加式解释 (SHAP) 以实现全球和地方层面的模型可解释性.
主要成果:
- 人工智能系统实现了高预测性能,AUC和G平均值为0.92.
- 确定了胰岛素抵抗的显著生物标志物,包括体质指数z-score,瘦素/皮蛋白比率和新型基因甲基化模式 (例如HDAC4,PTPRN2).
- SHAP分析为个别预测提供了明确的解释,增强了临床信任和效用.
结论:
- 将多omics数据与可解释的AI集成,为儿童肥胖症早期胰岛素抵抗检测提供了一种强大的方法.
- 开发的系统显示了临床决策支持在预防长期心脏代谢并发症的重大潜力.
- 鉴定出新的生物标志物可能为有针对性的干预和改善患者结果铺平道路.
