在乳腺癌患者中使用代谢面板发现生物标志物和开发预后预测模型:一种混合方法,集成机器学习和可解释的人工智能

科学领域:

• 代谢学 代谢学 代谢学
• 生物标志物发现发现
• 在瘤学中使用人工智能

背景情况:

• 乳腺癌 (BC) 仍然是妇女死亡的主要原因.
• 代谢在BC病变发生过程中起着至关重要的作用,但需要强大的生物标志物来检测和预后.
• 有针对性的代谢组学与先进的分析相结合,为改善BC诊断提供了潜力.

研究的目的:

• 为了确定乳腺癌 (BC) 检测的向代谢生物标志物候选者.
• 使用可解释的人工智能 (XAI) 开发和验证BC的预测模型.
• 增强在BC管理中的代谢学药物的临床实用性.

主要方法:

• 来自102名BC患者和99名健康对照者的血样本接受了有针对性的代谢学分析.
• 开发了机器学习 (ML) 模型,并应用了特征选择方法.
• 谢普利添加式扩展 (SHAP) 是一种XAI技术,用于解释最佳BC预测模型.

主要成果:

• 变量选择增强了用于BC分类的ML模型性能.
• 最佳模型使用了基于SVM-SHAP的特征选择的逻辑回归.
• 发现的关键潜在的BC生物标志物包括氨酸,氨酸,L-氨酸,氨酸和荷马氨酸.
• 组合的代谢物标记物获得了高分类性能:精度为89.50%,回忆率为88.38%,特异性为83.67%.

结论:

• 这项研究有助于发现新的乳腺癌 (BC) 生物标志物.
• 通过XAI解释的向代谢学显示出了促进BC诊断的巨大潜力.
• 鉴定的生物标志物和模型可以帮助早期检测和管理BC.