使用机器学习和深度学习模型预测膀癌的预后和免疫微环境评估
Weihao Nie1, Yiheng Jiang1, Luhan Yao2
1Department of Urology, First Affiliated Hospital of Dalian Medical University, Dalian, 116021, China.
Heliyon
|December 17, 2024
概括
这项研究引入了与免疫相关的机器学习签名 (IRMLS) 来分类膀癌 (BCa) 亚型. 该IRMLS预测患者的生存率,并确定那些可能从免疫疗法和化疗中受益的人.
科学领域:
- 在瘤学瘤学.
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 膀癌 (BCa) 呈现出由瘤透免疫细胞驱动的多种免疫亚型.
- 了解瘤免疫微环境 (TIME) 对BCa预后和治疗策略至关重要.
研究的目的:
- 为BCa.开发和验证与免疫相关的机器学习签名 (IRMLS).
- 为了将IRMLS亚型与患者的生存率和治疗反应相关联.
- 利用深度学习从病态图像中检测IRMLS.
主要方法:
- 集成了10个机器学习算法来创建IRMLS.
- 使用病理图像开发了用于IRMLS亚型分类的深度学习模型.
- 分析了与IRMLS有关的癌症免疫循环和突变景观.
主要成果:
- 在BCa (p < 0.01) 中,IRMLS是总生存期 (OS) 的独立预后因素.
- 高风险的IRMLS群体表现出免疫炎症的表型,预后较差,免疫细胞透率增加.
- 高危人群对免疫检查点免疫疗法 (ICI) 和特定化疗 (cisplatin, docetaxel, etoposide, paclitaxel) 的敏感性较高.
结论:
- IRMLS是一个验证的分子特征,反映了BCa生物学.
- IRMLS为膀癌患者提供了个性化精密治疗的见解.
- 该研究强调了机器学习在理解BCa TIME和指导治疗决策方面的潜力.


