通过使用遗传和临床数据的机器学习来预测晚期前列腺癌中割抵抗的预测模型:KYUCOG-1401-A研究

科学领域:

• 在瘤学瘤学.
• 遗传学 是一个遗传学.
• 机器学习 机器学习

背景情况:

• 目前使用雄激素剥夺疗法 (ADT) 预测晚期前列腺癌的治疗疗效和预后不足.
• 需要改进的方法来预测在接受初级ADT的晚期前列腺癌患者中割抵抗.

研究的目的:

• 利用机器学习 (ML) 整合遗传和临床数据,预测在接受初级ADT的晚期前列腺癌患者中割抵抗.
• 在晚期前列腺癌中开发治疗疗效和预后的预测模型.

主要方法:

• 在KYUCOG-1401-A研究中利用了日本晚期前列腺癌患者的临床和单核酸多态性 (SNP) 数据.
• 应用机器学习算法,包括点智线性 (PWL),弹性网正规化后勤回归和 eXtreme Gradient Boosting.
• 评估模型的效用,使用曲线下的面积用于割抵抗和C指数用于预后.

主要成果:

• 在所有数据集中,PWL算法证明了在曲线下的最高面积用于预测2年割阻力.
• 使用PWL开发了三种预测模型:一个仅基于临床数据的模型,一个具有2个额外SNP的模型,以及一个具有46个额外SNP的模型.
• 大型SNP模型在总生存预测中获得了最高的C指数 (0.703),超过了仅临床 (0.636) 和小SNP (0.621) 模型.

结论:

• 结合SNP的基于机器学习的模型显示,在接受初级ADT的晚期前列腺癌患者中,对割抵抗和预后有很好的预测能力.
• 这些SNP集成的ML模型可以帮助选择晚期前列腺癌的治疗方法.