使用机器学习方法的多模式集成可促进HR+/HER2-乳腺癌的风险分层
Hang Zhang1, Fan Yang1, Ying Xu1
1Key Laboratory of Breast Cancer in Shanghai, Department of Breast Surgery, Fudan University Shanghai Cancer Center, Department of Oncology, Shanghai Medical College, Fudan University, Shanghai 200032, P.R.China.
Cell reports. Medicine
|January 23, 2025
概括
一个新的机器学习模型,CIMPTGV,集成多omics数据来预测激素受体阳性 (HR +) /人类表皮生长因子受体2-阴性 (HER2-) 乳腺癌患者的复发,优于现有的模型.
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:
- 激素受体阳性 (HR+) /人表皮生长因子受体2-阴性 (HER2-) 乳腺癌是最常见的亚型.
- 在HR+/HER2-乳腺癌患者中,复发仍然是一个重要的临床挑战.
- 这种亚型的现有复发预测模型存在局限性.
研究的目的:
- 开发和验证一种新的机器学习模型,用于预测HR+/HER2-乳腺癌复发风险.
- 整合多维数据,以提高复发预测的准确性.
- 识别不同数据模式之间的协同和互补效应.
主要方法:
- 使用579名HR+/HER2-乳腺癌患者的多奥米克队列开发CIMPTGV模型.
- 整合了七种数据模式:临床信息,免疫组织化学,代谢学,病理学,转录学,基因学和副本数变化.
- 在火车和试验机组上使用一致性索引 (C索引) 验证模型.
主要成果:
- CIMPTGV模型实现了高预测性能,C指数为0.871 (列车) 和0.869 (测试).
- 该模型确定了一个风险人群,该人群包括通过单模式模型识别的个人.
- 特性分析表明,综合数据模式之间存在协同效应和互补效应.
- 一个简化的模型表明,临床效用曲线下的平均面积 (AUC) 为0.840.
结论:
- 通过CIMPTGV模型的多omics数据集成提供了一个强大的方法来预测HR+/HER2-乳腺癌的复发.
- 与现有方法相比,CIMPTGV模型显示出更高的性能.
- 该模型的简化版本显示了在风险分层中的实际临床应用的前景.
