机器学习算法和生物标记物识别用于胰腺癌诊断,使用多omics数据集成

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 人工智能的人工智能

背景情况:

• 胰腺癌是一种高度致命的恶性瘤,通常在晚期被诊断出来,导致预后不佳.
• 新型诊断和预后标记的开发对于改善早期检测和患者的治疗结果至关重要.
• 生物标志物可以促进个性化和有针对性的治疗策略,彻底改变胰腺癌护理.

研究的目的:

• 审查机器学习算法的应用,以识别胰腺癌的生物标志物.
• 评估胰腺癌研究中人工智能驱动的生物标志物发现现状.

主要方法:

• 在PubMed,Scopus,EMBASE和Web of Science进行了系统的文献搜索,直到2022年9月,遵守PRISMA指南.
• 研究质量和偏见使用纽卡斯尔-太华尺度 (NOS) 进行评估.
• 编制了包含的研究的描述性统计数据和质量评估.

主要成果:

• 支持矢量机器 (SVM) 和随机森林 (RF) 被确定为在胰腺癌中发现生物标志物的最普遍的机器学习算法.
• SVM是一种监督学习方法,通过在高维数据中找到最佳的超平面来进行分类和回归任务.

结论:

• 机器学习应用程序在寻找新的胰腺癌生物标志物方面取得了重大进展.
• 人工智能驱动的生物标志物发现对提高早期检测和治疗疗效具有重大前景.
• 这些进展有望改善胰腺癌患者的治疗结果.