基于机器学习方法的切除组织的肺微生物组使用NSCLC亚型的分类
Pragya Kashyap1, Kalbhavi Vadhi Raj2, Jyoti Sharma1
1Department of Bioscience & Bioengineering, Indian Institute of Technology, Jodhpur, Rajasthan, India.
NPJ systems biology and applications
|January 17, 2025
概括
这项研究对肺癌亚型,腺癌 (AC) 和状细胞癌 (SCC) 进行了分类,使用机器学习对肺组织微生物群数据进行分类. XGBoost模型实现了76.25%的准确性,提供了一种新的诊断方法.
科学领域:
- 微生物学 微生物学
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
背景情况:
- 分类肺腺癌 (AC) 和状细胞癌 (SCC) 是具有挑战性的,通常需要侵入性手术.
- 诊断的延迟可能会阻碍肺癌患者及时开始治疗.
研究的目的:
- 开发一种机器学习模型来分类AC和SCC肺癌亚型.
- 为了利用肺组织微生物组进行准确和非侵入性的亚型化.
主要方法:
- 利用了来自AC和SCC患者的切除肺组织微生物组数据.
- 采用LEfSe用于差异性种类丰富和线性差异分析 (LDA) 来增强特征.
- 基准测试了六种监督机器学习算法,包括XGBoost,后勤回归和深度神经网络.
主要成果:
- 确定了十个潜在的微生物标记物,区分AC和SCC亚型.
- 极端梯度提升 (XGBoost) 显示出卓越的性能,精度为76.25%,AUROC为0.81.
- 独立数据集验证证实了模型的稳定性,AUROC为0.71.
结论:
- 肺组织微生物组可以有效地用于分类肺癌亚型 (AC与SCC).
- 机器学习,特别是XGBoost,为改善肺癌诊断提供了一个有希望的途径,并可能减少与传统方法相关的延迟.
