基于血的脂组学和机器学习的结合为卵巢癌提供了有用的诊断工具
Jinhua Rong1, Guojun Sun2, Jing Zhu3
1College of Pharmaceutical Science, Zhejiang University of Technology, Hangzhou, Zhejiang, 310014, China; Experimental Research Center, Zhejiang Cancer Hospital, Hangzhou, Zhejiang, 310022, China.
Journal of pharmaceutical and biomedical analysis
|November 8, 2024
概括
血脂组学与机器学习 (ML) 结合,对早期检测卵巢癌 (OC) 有希望. 这种方法准确地区分了上皮卵巢癌 (EOC),良性卵巢瘤 (BOT) 和健康对照 (HC).
科学领域:
- 生物化学 生物化学
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
背景情况:
- 卵巢癌 (OC) 是妇科癌症死亡的主要原因,由于无症状的早期阶段,经常被诊断为晚期.
- 早期发现OC对于改善患者的治疗结果和生存率至关重要.
研究的目的:
- 调查血脂组药物与机器学习 (ML) 结合用于卵巢癌 (OC) 的诊断潜力.
- 使用脂质生物标志物,区分上皮卵巢癌 (EOC),良性卵巢瘤 (BOT) 和健康对照 (HC).
主要方法:
- 来自EOC,BOT和HC组的血样本的非向性脂管学分析.
- 使用t测试和部分最小平方差分分析 (PLS-DA) 的差分脂质分析.
- 开发单个基于脂质的接收器操作特征 (ROC) 模型和多个基于脂质的ML模型 (k-NN,PLS,RF,SVM).
主要成果:
- 几种脂质显示出显著的诊断潜力,ST 27:2;O (0.92准确度为EOC与HC) 和DG 42:2 (0.96准确度为BOT与HC) 显示出高的预测能力.
- 与单个脂质模型相比,多种基于脂质的ML模型表现出优越的诊断性能.
- 支持矢量机器 (SVM) 模型在BOT与HC之间实现了1.00的精度,在EOC与BOT之间达到0.74的精度.
结论:
- 血脂组学与ML算法相结合,为诊断卵巢癌 (OC) 提供了一个有效的策略.
- 这种综合方法显示出早期检测和分化卵巢病理的潜力.
