整合omics数据和机器学习技术,精确检测口腔状细胞癌:评估单个生物标志物
Yilan Sun1,2,3,4,5,6, Guozhen Cheng7, Dongliang Wei1,2,3,4,5,6
1Department of Oral and Maxillofacial Head and Neck Oncology, Shanghai Ninth People's Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Frontiers in immunology
|December 18, 2024
概括
这项研究使用代谢学和机器学习来识别用于早期检测口腔状细胞癌 (OSCC) 的生物标志物. 该方法实现了93%的AUC,为OSCC提供了一个有前途的非侵入性诊断工具.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 早期发现口腔状细胞癌 (OSCC) 对于改善患者的治疗结果至关重要.
- 需要使用非侵入性诊断方法及时识别OSCC.
- 代谢学和机器学习为精确诊断提供了一个有希望的途径.
研究的目的:
- 使用代谢学和机器学习开发和验证口腔状细胞癌 (OSCC) 的非侵入性诊断工具.
- 确定关键的代谢生物标志物,以区分OSCC患者与健康个体.
- 评估机器学习模型在基于血代谢数据的OSCC分类中的性能.
主要方法:
- 对包括61名OSCC患者和61名健康对照在内的多中心公共数据集的分析.
- 从血代谢学数据中提取29个数值和47比特征.
- 应用额外树 (ET) 进行特征选择和TabPFN模型进行分类.
主要成果:
- 该分类模型使用排名前列的生物标志物实现了93%的曲线下的面积 (AUC) 和76.6%的整体准确性.
- 确定了重要的代谢特征,有效地将OSCC患者与健康对照区分开来.
- 为OSCC建立了一个独特的代谢指纹,突出了关键的差异化代谢物.
结论:
- 将omics数据与先进机器学习集成为开发准确,非侵入性的OSCC诊断提供了有效的策略.
- 该研究确定了可操作的代谢特征,有可能在OSCC中进行个性化治疗和早期干预.
- 这些发现支持代谢分析和机器学习对早期OSCC检测和管理的临床实用性.
