开发一个基于网络的工具,用临床,mRNA和瘤微环境特征与融合技术来估计质母细胞瘤的个性化生存曲线
Zunlan Zhao1, Yujie Shi2, Shouhang Chen3
1Department of General Medicine, Henan Provincial People's Hospital, People's Hospital of Zhengzhou University, Zhengzhou, Henan, China.
概括
这项研究开发了机器学习模型,使用临床,RNA和瘤微环境数据来预测质母细胞瘤生存率. 这些模型提供了更好的预后准确性和个性化生存预测的网络工具.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 质母细胞瘤 (GBM) 由于低生存率和治疗耐药性,存在重大挑战.
- 准确预测GBM患者的生存率对于有效的治疗计划至关重要.
研究的目的:
- 通过整合各种数据类型,开发一个强大的质母细胞瘤 (GBM) 存活率预测模型.
- 通过机器学习和数据融合技术来提高预测准确度.
主要方法:
- 利用SEER数据库对58,495名GBM患者的临床数据.
- 分析了TCGA,CGGA和GEO队列 (600名患者) 的mRNA表达数据.
- 使用考克斯回归和LASSO开发了基因签名,并应用了21种机器学习模型来预测生存.
主要成果:
- 临床模型实现了高达0.775的AUC,用于预测24个月的存活率.
- 发现了一种11个基因的特征,其表现优于13个已发表的特征.
- 融合模型整合多个特征显示AUC高达0.655.5.
结论:
- 开发了一个基于网络的工具,用于预测GBM患者生存曲线.
- 该工具提供基于单独临床变量或综合多功能数据的预测模块.


