通过NARX神经网络和转移学习预测化疗诱导的血栓毒性
Marie Steinacker1,2,3, Yuri Kheifetz4, Markus Scholz4,5
1Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig, Leipzig University, Humboldtstraße 25, 04105, Leipzig, Germany. steinacker@informatik.uni-leipzig.de.
Journal of cancer research and clinical oncology
|October 13, 2024
概括
预测化疗诱导的血小板缺血 (低血小板数) 是至关重要的. 使用外源输入 (NARX) 的非线性自回归网络比传统模型更准确,特别是转移学习,有助于个性化治疗策略.
科学领域:
- 在瘤学瘤学.
- 药理学 药理学是指药理学的学科.
- 计算生物学 计算生物学
背景情况:
- 血栓缩是细胞毒性化疗的常见剂量限制副作用.
- 准确预测个体血小板缺血风险在临床上是优化化疗剂量的重要.
研究的目的:
- 开发和评估外源输入 (NARX) 的非线性自回归网络,用于预测化疗期间的个人血小板动态.
- 将不同NARX架构和转移学习 (TL) 方法的性能与半机械模型进行比较.
主要方法:
- 利用NARX网络,包括前网络 (FNN) 和封闭循环单元 (GRU),以建模血小板动态.
- 使用转移学习 (TL) 采用半机械血毒性模型来解决稀缺的个体患者数据.
- 在大量高度非霍奇金淋巴瘤患者的数据集上训练并验证了模型.
主要成果:
- 采用GRU架构的NARX网络展示了卓越的预测性能.
- 纳克斯模型显著提高了预测准确性,特别是在血小板动态不规则和测量间隔很长的患者中.
- 转移学习增强了个人预测能力.
结论:
- 纳克斯网络提供了一种可行的方法,用于预测个人对化疗诱导的血栓细胞毒性的反应.
- 建议每周期至少进行三次间隔较长的测量 (基线,顶点,恢复) 以实现有效的模型学习.
- 未来的工作旨在将这种方法推广到其他治疗方法和血液细胞类型.


