通过与基因表达特征和机器学习技术的整合,改进基于临床特征的膀癌生存预测模型

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:

• 膀癌 (BCa) 由于高复发率,进展率和死亡率而带来了重大挑战.
• 机器学习 (ML) 为癌症结果提供了先进的预测能力.
• 开发强大的ML模型对于改善BCa患者生存预测至关重要.

研究的目的:

• 开发和评估用于预测膀癌生存率的机器学习模型.
• 确定BCa患者生存的关键临床和基因组预测因素.
• 用临床数据,基因表达数据和综合数据来比较模型的性能.

主要方法:

• 利用了来自监测,流行病学和最终结果 (SEER) 数据库的临床数据,其中包括138,741名BCa患者.
• 采用各种ML算法 (逻辑回归,随机森林,XGBoost,决策树,LightGBM) 来预测1,3年和5年的生存率.
• 来自TAGO,TCGA和GEO数据库的综合临床和基因组数据用于比较分析.

主要成果:

• 确定年龄,种族,婚姻状况,手术,化疗,放射和TNM阶段作为关键的临床预测因素.
• 临床数据ML (CML) 模型的AUC为0.860,0.821和0.804,用于1,3年和5年生存预测.
• 综合ML (IML) 模型表现出优于CML和基因表达ML (GML) 模型的性能,较高的得分与较差的生存率相关.

结论:

• 成功确定了膀癌存活率的关键临床和基因组预测因素.
• 开发了强大的ML模型,特别是综合方法,用于增强BCa生存预测.
• 强调综合数据策略的潜力,以改善BCa管理和治疗结果.