机器学习模型的开发和验证,用于肺腺癌的诊断和预后,以及免疫透分析
1Department of Respiratory and Critical Care Medicine, The Second Affiliated Hospital of Harbin Medical University, No. 148, Health Care Road, Nangang District, Harbin, 150086, Heilongjiang, People's Republic of China.
Scientific reports
|September 27, 2024
概括
机器学习模型是通过分析早期免疫细胞透来预测肺腺癌 (LUAD) 结果而开发的. 研究结果揭示了特定的免疫细胞相关性,这对于LUAD诊断和治疗策略至关重要.
科学领域:
- 在瘤学瘤学.
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 肺腺癌 (LUAD) 是一个重大的全球健康挑战.
- 早期免疫透越来越被认为是LUAD进展和患者结果的关键因素.
- 为LUAD开发准确的诊断和预后工具仍然是优先事项.
研究的目的:
- 开发强大的机器学习 (ML) 模型来诊断和预测LUAD的预后.
- 用先进的计算技术研究早期免疫细胞透在LUAD中的作用.
- 识别与LUAD诊断和患者生存相关的特定免疫细胞特征.
主要方法:
- 利用癌症基因组图谱 (TCGA) 和基因表达总汇 (GEO) 数据集用于模型开发和验证.
- 采用了特征选择算法,包括最小绝对收缩和选择运算符 (LASSO),随机森林 (RF) 和支持向量机 (SVM).
- 使用六个ML算法和使用LASSO考克斯回归的预后模型构建诊断模型;通过单样样本基因组丰富分析 (ssGSEA) 评估免疫细胞透.
主要成果:
- 开发并验证了ML模型,证明了在LUAD诊断和预后方面的有效性.
- 确定了免疫细胞透和LUADI阶段之间的显著相关性,Th2,TCM和T辅助细胞的积极关联.
- 观察到LUAD与巨细胞,埃索诺菲尔细胞和TEM细胞之间的负相关性,突出显示出不同的免疫微环境模式.
结论:
- 开发的ML模型为LUAD的临床诊断和预后提供了有前途的工具.
- 在早期的LUAD中,特定的免疫细胞透模式为疾病机制提供了新的见解.
- 这些发现可以为针对LUAD患者的向免疫疗法和个性化治疗策略的开发提供信息.
