通过基于蛋白质的机器学习来诊断侵袭性封装卵泡变体乳头甲状腺癌
Truong Phan-Xuan Nguyen1, Minh-Khang Le2, Sittiruk Roytrakul3
1Department of Pathology, Faculty of Medicine, Chulalongkorn University, Bangkok, Thailand.
Journal of pathology and translational medicine
|October 23, 2024
概括
使用五种蛋白质生物标记物的新机器学习模型可以准确地区分乳头甲状腺癌的侵入性封装卵泡变体与其他甲状腺瘤. 这一进步有助于诊断具有挑战性的甲状腺病变.
科学领域:
- 在瘤学瘤学.
- 蛋白质组学是指蛋白质组学.
- 机器学习 机器学习
背景情况:
- 诊断卵泡型甲状腺瘤是一项挑战,特别是区分乳头甲状腺癌 (IEFV-PTC) 的侵入性封装卵泡变体.
- 世界卫生组织分类第五版将IEFV-PTC重新分类为一个独立的实体.
- IEFV-PTC与低风险的卵泡瘤之间的形态相似性需要改进诊断方法.
研究的目的:
- 调查机器学习定义的蛋白质生物标记面板用于识别IEFV-PTC的潜力.
- 利用蛋白质学来检测和量化甲腺组织样本中的蛋白质生物标记物.
主要方法:
- 开发了一个受监督的机器学习模型,使用来自46个甲状腺组织样本的蛋白质学数据.
- 采用一个随机森林分类器,使用五种特定蛋白质生物标记:ZEB1,NUP98,C2C2L,NPAP1和KCNJ3.
主要成果:
- 在训练数据中,分类器在区分IEFV-PTC与非恶性样本方面取得了完美的准确性 (AUC=1.00,准确性=1.00).
- 癌症基因组图谱项目中的分析显示,单个蛋白质/基因受体运行特征的AUC>0.5,使IEFV-PTC与其他瘤类型区分开来.
结论:
- 高通量蛋白质组学与机器学习相结合,有效地将IEFV-PTC与其他卵泡模式甲状腺瘤区分开来.
- 这种方法为改善挑战性甲状腺病变的诊断提供了一个有希望的工具.
